# ADKの便利で実践的な使い方
🔄 エージェントの評価結果を見て、プロンプトを手動で改善するのは非効率です。ADKのOptimization機能は、評価結果に基づいてプロンプトやエージェントの指示を自動・半自動で最適化する仕組みを提供します。評価→最適化→再評価の継続改善ループを回せます。
📌 タイトル:Optimization
🔗 URL:
🧩 概要
ADKのOptimization Frameworkは、Sampler(候補エージェントを評価し詳細な結果を返す)とAgent Optimizer(評価結果を分析してエージェントを改善する)のアーキテクチャで構成されます。**GEPARootAgentPromptOptimizer**はGEPAアルゴリズムで根本エージェントの指示を最適化し、**SimplePromptOptimizer**は実行→評価→批評→書き換えの4ステージを逐次実行します。最適化は非破壊的で、元のエージェントを保持したまま改善バリエーションを生成します。
🛠 使い方
CLIでの最適化実行:
```bash
adk optimize
\
--sampler_config_file_path \
--optimizer_config_file_path \
--print_detailed_results
```
プログラマティックな最適化:
`google.adk.optimization.gepa_root_agent_prompt_optimizer` から `GEPARootAgentPromptOptimizer` と `GEPARootAgentPromptOptimizerConfig` を、`google.adk.optimization.local_eval_sampler` から `LocalEvalSampler` と `LocalEvalSamplerConfig` をインポートします。`LocalEvalSamplerConfig` で `eval_config=EvalConfig(criteria={"response_match_score": 0.75})`、`app_name`、`train_eval_set` を設定し、`LocalEvalSampler` を作成します。次に `GEPARootAgentPromptOptimizer(config=GEPARootAgentPromptOptimizerConfig())` でオプティマイザーを作成し、` sampler))` で最適化を実行します。
GEPARootAgentPromptOptimizerの設定パラメータ:
- `optimizer_model`: 最適化に使用するモデル(デフォルト: `gemini-2.5-flash`)
- `max_metric_calls`: 最大評価回数(デフォルト: 100)
- `reflection_minibatch_size`: 1イテレーションで処理する例の数(デフォルト: 3)
- `run_dir`: 中間結果の保存先(ウォームスタート用)
SimplePromptOptimizerは4つのステージを逐次実行します。
1. **Execute**: エージェントが評価タスクを処理
2. **Evaluate**: Samplerがスコアリング
3. **Critique**: 最適化LLMが弱点を分析
4. **Rewrite**: ギャップを埋める新しいプロンプトを生成
LocalEvalSamplerの設定では、検証用データセットを分離できます。
- `train_eval_set`: 最適化に使用するデータセット
- `validation_eval_set`: 検証用の別データセット
- `train_eval_case_ids`: 特定のケースのみ使用する場合
🏗 実践的な使い方
**評価→最適化→再評価の継続改善ループ**: まず`adk eval`で現状のエージェント品質を定量化し、次に`adk optimize`で自動改善を実行、最後に改善後のエージェントを再評価して改善効果を確認します。このサイクルを回すことで、プロンプトの品質が着実に向上します。
**トレーニングと検証の分離**: `train_eval_set`で最適化を行い、`validation_eval_set`で検証することで、過学習を防ぎます。最適化がトレーニングデータに特化しすぎず、未知のシナリオにも対応できるプロンプトが得られます。
**ウォームスタートによる効率的な最適化**: `run_dir`に中間結果を保存しておくことで、最適化が中断しても途中から再開できます。また、前回の最適化結果をベースに追加の改善を行うことも可能です。
**SimplePromptOptimizerでの段階的改善**: GEPAオプティマイザーほど自動化されていませんが、Execute→Evaluate→Critique→Rewriteの各ステージの結果を確認しながら、半自動的にプロンプトを改善できます。LLMが弱点を分析して改善提案をしてくれるため、人間のプロンプトエンジニアリングの負担が軽減されます。
💡 ユースケース
🔄 プロンプト品質の継続的改善サイクルの自動化
📊 評価スコアに基づくデータドリブンなプロンプト改善
🎯 過学習を防ぐトレーニング/検証データセットの分離
⚡ 中断可能・再開可能なウォームスタート最適化
⚠️ 注意点
- 最適化は非破壊的ですが、生成されたプロンプトバリエーションの品質は評価データセットの質に依存します。代表的なケースを含むデータセットを用意してください。
- `max_metric_calls`が大きいほど探索範囲が広がりますが、LLM呼び出しコストも増加します。初期値100から調整してください。
- 最適化結果は自動的にデプロイされません。生成されたプロンプトを人間が確認してから適用してください。
- GEPARootAgentPromptOptimizerはルートエージェントの指示のみを最適化します。サブエージェントやツール定義の最適化には別のアプローチが必要です。
✨ ADKのOptimization Frameworkは、プロンプト改善を「職人技」から「データドリブンなプロセス」に変革します。評価→最適化→再評価のループを回して、エージェントの品質を継続的に向上させましょう!
#ADK# #AIAgent#