（FTプレゼント記事）：スコット・ベッセントによる円買い介入は、米国の「通貨アクティビズム」の新時代を告げる Scott Bessent’s yen intervention signals new era of US ‘currency activism’ 「スコット・ベッセントによる円買い介入は、米国の「通貨アクティビズム」の新時代を告げる 日本円を支える試みは、米国が自国の利益に反する市場取引を阻止する意思を示した」 ロンドン：イアン・スミス 東京：デービッド・ケオハン ニューヨーク：ケイト・デュギッド ワシントン：クレア・ジョーンズ 記事全体のポイント この記事でFTが最も強調している論点は、単に「円買い介入が行われた」という事実ではありません。記事全体を通して提示されているのは、米国の通貨政策そのものが変質しつつあるという見方。 そのポイントを整理すると、次の五点になる。 ベッセント財務長官は従来の財務長官とは異なり、ヘッジファンド出身のトレーダーとして為替市場へ積極的に介入する発想を持っている。 米国は「自由市場に任せる」のではなく、自国の国益を守るためには為替市場にも積極介入する姿勢へ転換しつつある。 今回の最大の目的は円そのものではなく、日本による米国債売却を防ぎ、米国長期金利の上昇を抑えることだった可能性が高い。 介入そのものは根本解決ではなく、「日銀が政策対応を行うまでの時間稼ぎ」にすぎないという見方が専門家の間では支配的である。 それでも市場心理には大きな影響を与え、「ベッセントが再び介入するかもしれない」という新たなリスク認識を市場参加者に植え付けた点に、今回の介入の最大の意味がある。 FTはこの変化を、見出しにもある "a new era of US currency activism（米国による通貨アクティビズムの新時代）" という言葉で総括している。これは、従来の「市場重視・強いドル政策」を掲げてきた米国から、国益を優先して為替市場へ積極的に介入する米国への転換を象徴する表現として用いられている。 （以下　記事本文） ワシントンと東京が、およそ30年ぶりとなる協調介入によって日本円を押し上げた際、その米国側を指揮した人物は、大規模な為替取引を手掛けてきたことで知られる人物だった。 今回の金曜日の介入を主導したのはスコット・ベッセント財務長官である。彼はかつてトレーダーとして活動し、1992年には英ポンドへの空売り、2013年には円への投機で名を上げた。いずれもジョージ・ソロスの投資会社で働いていた時代の実績である。 ドナルド・トランプ政権の財務長官となって以降、ベッセントは金融市場に対して従来よりも積極的に介入する姿勢を強めている。 今回、米国が他国通貨を支えるために歴史的な介入を行ったことは、市場関係者を驚かせた。その理由の一つは、円安が協調介入を必要とするような混乱的な急落ではなく、比較的緩やかに進行していたからである。 さらに市場を驚かせたのは、介入にドルではなくユーロを売却して円を購入するという方法が採られたことであった。 この取引は、昨年アルゼンチン・ペソ支援に乗り出した後、ベッセント率いる財務省が外国為替市場への関与をさらに深める意思を示したものと受け止められている。 ある米国の大手機関投資家はこう語る。 「これはソフトパワーのためでもなければ、世界全体の公益のためでもない。では、米国はいったい何をしようとしているのか。」 ベッセントの異例の行動の背景には、日本銀行の政策金利が現在1％にとどまり、インフレ圧力に十分対応できるほど速いペースで引き上げられていないとの投資家の懸念が高まっていたことがある。 世界の主要国では金利が日本よりはるかに高いため、この状況が今後も円安圧力となり続ける可能性がある。 ベッセント財務長官自身も介入を隠そうとはしなかった。金曜日の閣議では、カメラマンが彼の手書きメモを撮影しており、そこには 「日本円（JPY）を50億〜100億ドル購入」 と書かれていた。 今回の日米協調介入によって、円相場は今月初めの1ドル＝164円近辺（1986年以来の円安水準）から158円前後まで急反発した。ただし、多くのトレーダーやアナリストは、この反発は短期間で終わる可能性があると警告している。 ピーターソン国際経済研究所所長で日本経済の専門家アダム・ポーゼンは皮肉を込めてこう述べた。 「1992年にイングランド銀行を打ち負かしたソロスやスタンレー・ドラッケンミラーのもとで働いていた人物が、為替介入だけで通貨を長期的に守れるかのように振る舞っているというのは、本当に驚くべき皮肉だ。」 投資家たちは、今回のワシントンの介入が主要通貨市場に新たな不確実性を持ち込み、各国政府がより積極的に市場へ関与する新しい時代の幕開けとなったと受け止めている。今回の措置は、米国が自国の利益に反する取引をためらわず阻止する意思を示したものだからである。 INGのグローバル市場責任者クリス・ターナーは次のように述べる。 「米財務省の登場は、市場に『新しい保安官がやって来た』ことを意味する。円売りを仕掛ける投機筋に対して警告を発したのである。」 そして彼は、今回の出来事は 「為替市場への積極介入（FX activism）の時代への回帰」 を意味すると評した。 米財務省はコメントを控えた。 なぜ日米は介入したのか 両国には、それぞれ介入する十分な理由があった。 日本政府は、円安に加えて日本国債（JGB）が大きく売られ、市場の動きが行き過ぎたものになりつつあることを懸念していた。 一方、米国側では、日本が円を支えるために米国債を売却すれば、米国債市場への売り圧力がさらに強まる兆候が現れていた。 トランプ大統領は「米国は常に日本の味方である」と述べたが、市場関係者の多くは、真の狙いは、日本が保有する米国債を売却することを思いとどまらせることにあったと見ている。 日本は外国政府の中で最大の米国債保有国だからである。 さらに米政府高官は以前から、ドル高がアメリカの輸出企業に悪影響を及ぼしていることも問題視していた。 オールスプリング・グローバル・インベストメンツのマルチアセット・ポートフォリオマネージャー、ルシャブ・アミンはこう説明する。 「政権はドル安を望んでいる。そして、各国の投資家が自国通貨を守るために米国債を大量に売却する事態も避けたいのである。」 彼によれば、ドルに対して他通貨を売ろうとする投資家は、「ベッセント買い（Bessent bid）」を警戒するようになっているという。つまり、「必要ならベッセント財務長官が市場に介入してくるかもしれない」という警戒感が市場に生まれたのである。 「強いドル政策」との矛盾 もっとも、ベッセント自身はこれまで一貫して 「米国は強いドル政策を支持する」 と発言してきた。これは長年にわたる米国政府の公式方針を踏襲したものである。 一方、日本政府は月曜日、FRB（米連邦準備制度）のレポ・ファシリティを利用する計画を明らかにした。 アナリストによれば、この制度を使えば、日本は米国債を売却することなくドル資金を借り入れることが可能になる。 これまで各国中央銀行は、自国通貨を支える際に米国債を売却することが多かった。しかし米国政府は、長期金利が2007年以来の高水準となっている現在、自国債への需要が減少する兆候に極めて神経質になっている。 実際、イラン戦争の開始時には、外国中央銀行はFRBに預けていた米国債保有額を2012年以来最低の水準まで減らしていた。 さらに別の懸念も存在する。 もし日本国債の売りが続いて利回りが一段と上昇すれば、日本国内の投資家も米国債を売却し、日本へ資金を戻す動きが強まる可能性があるのである。 ウェリントン・マネジメントのブリジ・クーラナは、ベッセントの考え方を次のように説明している。 「ベッセントは、米国債利回りが高いのは、日本国債利回りが高いからだと考えている。だから円を支えれば、日本の金利が低下し、その結果として米国債利回りも低下するという発想なのだ。」 RBCブルーベイ・アセット・マネジメントの債券部門最高投資責任者マーク・ダウディングは、円安について次のように述べている。 「円安は日本国債市場の安定を損ない、世界の長期金利を押し上げる要因となりかねない。米国はそのことに非常に敏感になっている。」 「利益を得る」という発想も 今回の介入には、米国が利益を得る可能性もあった。 トランプ大統領自身が記者団に対し、「financial benefit（経済的利益）」も今回の動機の一つであると述べている。 ハーバード大学教授で元IMFチーフエコノミストのケネス・ロゴフは次のように評価した。 「非常に巧妙だった。アルゼンチン支援でベッセントが行った救済策を思い起こさせる。あれは大成功だった。」 しかし同時に、ロゴフは限界も強調する。 「米財務省が莫大な円を長期間保有する覚悟――それは極めて急進的な政策転換になるが――を持たない限り、今回の介入は日本銀行に少し時間を与えるための応急処置（bandage）にすぎない。」 円安の根本原因は解決していない アナリストたちは、今回の介入だけでは円安を生み出している構造的な要因は解決できないと指摘している。 その要因とは、 原油価格の上昇 大規模な政府支出計画をめぐる不透明感 日本銀行の利上げペースが依然として遅いこと などである。 東京のステート・ストリート銀行シニア債券ストラテジスト、マサヒコ・ルー氏はこう述べる。 「介入は時間を買っているだけだということは、誰もが分かっている。本当に重い仕事（the real heavy lifting）は、日本銀行と日本の財政政策が担わなければならない。」 ここでいう heavy lifting は、「最も困難で本質的な仕事」「根本問題を解決する役割」という意味で使われている。 米国にとってのリスク もちろん米国側にもリスクがある。 もし今回の協調介入が失敗すれば、投機筋は再び円を標的にするだけでなく、米国債市場そのものも攻撃対象にする可能性がある。 資産運用会社PGIMのチーフ・グローバル・エコノミスト、ダリープ・シン氏は次のように警告する。 「もし介入が機能しなければ、（米国長期国債市場への）波及効果は極めて大きなものになるだろう。覚悟しておくべきだ（So strap in.）。」

# ADKの便利で実践的な使い方 ✋ 「本当にこのメールを送信しますか？」— ADKのAction Confirmationsは、不可逆な操作の前にユーザー確認を挟む、安全なエージェント構築のための仕組みです。 📌 タイトル：Action Confirmations — 不可逆操作の事前確認 🔗 URL： 🧩 概要 ADKのAction Confirmationsは、メール送信、データ削除、決済処理など、取り消しが困難な操作の実行前にユーザーの明示的な承認を求める機能です。エージェントが「送信してよいですか？」と確認し、ユーザーが承認した場合のみ実行されます。これにより、自律的なエージェントでありながら、重要な判断ポイントでは人間のコントロールを維持できます。 🛠 使い方 確認付きツールの定義方法です。 確認付きツールを定義するには、`google.adk` から `Agent` と `ToolContext` をインポートします。`send_email(to: str, subject: str, body: str, tool_context: ToolContext)` 関数では、実際の送信前に `tool_context.actions.request_confirmation(message=...)` を呼び出し、宛先・件名・本文のプレビューを含む確認メッセージを表示します。ユーザーが承認した場合のみ、メール送信処理が実行されます。同様に `delete_records(table: str, condition: str, tool_context: ToolContext)` では、削除対象の件数を事前にカウントし、確認メッセージに件数を含めてユーザーに承認を求めます。これらのツールを `Agent` の `name="admin_assistant"`、`model="gemini-2.5-flash"` に `tools` として渡します。 🏗 実践的な使い方 **確認が必要な操作の判断基準**: 以下の操作には確認を付けることを推奨します。 - 外部への送信（メール、メッセージ、API呼び出し） - データの変更・削除 - 課金が発生する操作 - 権限変更やアクセス制御の変更 決済処理の例として `process_payment(amount: float, currency: str, recipient: str, tool_context: ToolContext)` を定義します。この関数では `tool_context.actions.request_confirmation(message=...)` で送金先・通貨・金額を含む確認メッセージを表示し、ユーザーの承認後に `payment_gateway.charge(amount=..., currency=..., recipient=...)` を実行して決済を処理します。 **確認メッセージの設計**: 確認メッセージには、操作の対象・影響範囲・不可逆性を明確に記載します。ユーザーが判断に必要な情報を過不足なく提供しましょう。 **段階的な確認**: 複数のステップがある場合、各ステップで確認を取るか、最終ステップでまとめて確認するかを設計します。ユーザー体験とのバランスを考慮してください。 💡 ユースケース 📧 メール・メッセージの送信確認 🗑️ データベースレコードの削除確認 💳 決済・送金の実行確認 🔐 権限変更・アクセス制御の変更確認 ⚠️ 注意点 - 確認が多すぎるとユーザー体験が悪化します。本当に不可逆な操作に絞って確認を設定してください。 - 確認メッセージが不十分だと、ユーザーが適切な判断を下せません。操作の影響を具体的に記載しましょう。 - バッチ処理や自動化パイプラインでは確認がボトルネックになります。自動化が必要な場面では確認をスキップする設計も検討してください。 ✨ Action Confirmationsを適切に設定することで、エージェントの自律性と人間の安全管理を両立できます。「取り返しのつかない操作」にだけ確認を入れるのがコツです！ #ADK# #AIAgent#

# OpenAI Agent SDKの便利で実践的な使い方 🌍 LLM の出力を「文字列のまま祈る」のではなく、型安全な構造化データとして受け取りましょう。output_type を使えば、壊れた JSON に悩まされる日々とはお別れです。 output_type に Pydantic モデル・dataclass・TypedDict を指定するだけで、エージェントの出力が自動的にバリデーション済みの構造化データになります。 📌 タイトル：Agents -- Output types 🔗 URL： 🧩 概要 Agent の `output_type` パラメータを設定すると、LLM の出力が Structured Outputs として強制されます。Pydantic BaseModel、dataclass、TypedDict のいずれかを指定でき、出力は自動的にパースされバリデーションされます。これにより、下流のコードが安全に構造化データを扱えるようになります。`output_type` を設定すると、エージェントのファイナル出力はテキストではなく指定した型のオブジェクトになります。 🛠 使い方 `BaseModel` を継承した `CalendarEvent` クラスに `name: str`, `date: str`, `participants: list[str]` フィールドを定義し、`Agent` の `output_type=CalendarEvent` に指定します。` ...)` の ` が `CalendarEvent` 型として返され、` や `event.participants` で型安全にアクセスできます。 🏗 実践的な使い方 **メールからカレンダーイベントを抽出して API 登録** 構造化出力をそのまま外部 API に渡すパイプラインです。 ` email_body)` で抽出した ` を `CalendarEvent` 型として受け取り、`calendar_api.create_event(title= date= attendees=event.participants)` でそのまま外部 API に渡します。 **Enum 出力による分岐オーケストレーション** 分類結果を enum で返し、コードで確実に分岐させるパターンです。 `TicketCategory(str, Enum)` で `billing`, `technical`, `general` を定義し、`Classification(BaseModel)` に `category: TicketCategory` と `confidence: float` を持たせます。`Agent` の `output_type=Classification` を設定して分類を実行し、` を `match` 文で分岐して `handoff_to_billing`, `handoff_to_engineering`, `handoff_to_general` にルーティングします。 **ビジネスクリティカルな処理での型保証** 「壊れた JSON は絶対に許容できない」業務で、Structured Outputs が安全弁として機能します。 `InvoiceData(BaseModel)` に `invoice_number: str`, `amount: float`, `currency: str`, `due_date: str`, `line_items: list[dict[str, str | float]]` を定義し、`Agent` の `output_type=InvoiceData` に指定することで、請求書データの構造化抽出を型安全に保証します。 💡 ユースケース 📧 メールから CalendarEvent(name, date, participants) を抽出し、カレンダー API に自動登録 🏷 サポートチケットを Enum 分類し、category に応じてコードで確実にルーティング 💰 請求書・契約書の構造化抽出で「壊れた JSON が許されない」業務処理を型安全に 📊 アンケート自由記述を構造化データに変換し、集計パイプラインに直接投入 ⚠️ 注意点 - output_type を指定すると、エージェントの最終出力は必ずその型になります。通常のテキスト応答は返せなくなるため、テキスト応答が必要な場合は output_type を設定しないでください。 - 複雑すぎるネスト構造は LLM の出力精度を下げる可能性があります。できるだけフラットな構造を心がけましょう。 - Optional フィールドを適切に使い、LLM が情報を見つけられなかった場合の None を許容する設計にしましょう。 ✨ output_type を活用すれば、LLM の出力をそのままビジネスロジックに組み込めます。「パースして祈る」から「型で保証する」へ、一歩進んだエージェント開発を始めましょう！ #OpenAIAgentSDK# #AIAgent#

# OpenAI Agent SDKの便利で実践的な使い方 🌍 LLM の出力を「文字列のまま祈る」のではなく、型安全な構造化データとして受け取りましょう。output_type を使えば、壊れた JSON に悩まされる日々とはお別れです。 output_type に Pydantic モデル・dataclass・TypedDict を指定するだけで、エージェントの出力が自動的にバリデーション済みの構造化データになります。 📌 タイトル：Agents -- Output types 🔗 URL： 🧩 概要 Agent の `output_type` パラメータを設定すると、LLM の出力が Structured Outputs として強制されます。Pydantic BaseModel、dataclass、TypedDict のいずれかを指定でき、出力は自動的にパースされバリデーションされます。これにより、下流のコードが安全に構造化データを扱えるようになります。`output_type` を設定すると、エージェントのファイナル出力はテキストではなく指定した型のオブジェクトになります。 🛠 使い方 `BaseModel` を継承した `CalendarEvent` クラスに `name: str`, `date: str`, `participants: list[str]` フィールドを定義し、`Agent` の `output_type=CalendarEvent` に指定します。` ...)` の ` が `CalendarEvent` 型として返され、` や `event.participants` で型安全にアクセスできます。 🏗 実践的な使い方 **メールからカレンダーイベントを抽出して API 登録** 構造化出力をそのまま外部 API に渡すパイプラインです。 ` email_body)` で抽出した ` を `CalendarEvent` 型として受け取り、`calendar_api.create_event(title= date= attendees=event.participants)` でそのまま外部 API に渡します。 **Enum 出力による分岐オーケストレーション** 分類結果を enum で返し、コードで確実に分岐させるパターンです。 `TicketCategory(str, Enum)` で `billing`, `technical`, `general` を定義し、`Classification(BaseModel)` に `category: TicketCategory` と `confidence: float` を持たせます。`Agent` の `output_type=Classification` を設定して分類を実行し、` を `match` 文で分岐して `handoff_to_billing`, `handoff_to_engineering`, `handoff_to_general` にルーティングします。 **ビジネスクリティカルな処理での型保証** 「壊れた JSON は絶対に許容できない」業務で、Structured Outputs が安全弁として機能します。 `InvoiceData(BaseModel)` に `invoice_number: str`, `amount: float`, `currency: str`, `due_date: str`, `line_items: list[dict[str, str | float]]` を定義し、`Agent` の `output_type=InvoiceData` に指定することで、請求書データの構造化抽出を型安全に保証します。 💡 ユースケース 📧 メールから CalendarEvent(name, date, participants) を抽出し、カレンダー API に自動登録 🏷 サポートチケットを Enum 分類し、category に応じてコードで確実にルーティング 💰 請求書・契約書の構造化抽出で「壊れた JSON が許されない」業務処理を型安全に 📊 アンケート自由記述を構造化データに変換し、集計パイプラインに直接投入 ⚠️ 注意点 - output_type を指定すると、エージェントの最終出力は必ずその型になります。通常のテキスト応答は返せなくなるため、テキスト応答が必要な場合は output_type を設定しないでください。 - 複雑すぎるネスト構造は LLM の出力精度を下げる可能性があります。できるだけフラットな構造を心がけましょう。 - Optional フィールドを適切に使い、LLM が情報を見つけられなかった場合の None を許容する設計にしましょう。 ✨ output_type を活用すれば、LLM の出力をそのままビジネスロジックに組み込めます。「パースして祈る」から「型で保証する」へ、一歩進んだエージェント開発を始めましょう！ #OpenAIAgentSDK# #AIAgent#