はてなブックマーク

こんにちは、YAMALEXの駿です。 YAMALEXはAcroquest社内で発足した、会社の未来の技術を創る、機械学習がメインテーマのデータサイエンスチームです。 （詳細はリンク先をご覧ください。） 2026年2月にClaude 4.6系が登場してから、Claudeの「思考（Thinking）」を制御するAPIパラメータが変更されました。 それまで「拡張思考（Extended Thinking）」と言われていたものから、新しく「適応的思考（Adaptive Thinking）」というものが登場しました。 その後、私も言われるがままに、 thinking.type: "adaptive" を指定するようになりましたが、実際、この指定により何が変わったのでしょうか？ platform.claude.com 本記事では、「拡張思考（Extended Thinking）」と「適応的思考（Adap

こんにちは、データ分析エンジニアの木介です。 雨の多い6月も終わりに近づき、夏の気配を感じる頃になりました。 今回は新しくAWSから発表されたAmazon Bedrock Managed Knowledge Basesを紹介します。 従来のKnowledge Basesと比較して、何が変わったかを紹介します。 aws.amazon.com 1. はじめに 2. Managed KBとは？ 2.1 従来のBedrock Knowledge Basesとの違い 3. Managed KB を試してみる 3.1 Managed KB を作成する 3.2 PowerPointを検索する 3.3 Excelを検索する 3.4 PDFを検索する 3.5 Wordを検索する 3.6 Agentic Retrievalを試す 4. 制限事項 5. まとめ 1. はじめに RAGを構築するには、データソース

皆さんこんにちは Acroquest のデータサイエンスチーム「AcroYAMALEX」を率いるチームリーダー、@tereka114です。 AcroYAMALEX では、コンペティション参加・自社製品開発・技術研究に日々取り組んでいます。チーム紹介はこちら。 6月3日（水）〜6月7日（日）に、コンピュータービジョンの学会CVPR2026へ参加するため、アメリカ・コロラド州デンバーへ行ってきました。 デンバーは標高5,280フィート、約1,600mに位置する都市で、Mile High City とも呼ばれています。夏場は湿度が低く、朝晩は比較的過ごしやすい気候でした。 CVPR2026 学会概要 今年の傾向 Oral / Poster Expo / Demos Reception 論文 SoccerMaster: A Vision Foundation Model for Soccer Un

こんにちは、データ分析エンジニアの木介です。 RAG（検索拡張生成：Retrieval-Augmented Generation）では、よくベクトル検索を利用した構成が使われますが、 実務では、業界や企業独自の用語や、IDのような識別子によるドキュメントの特定が必要になることがあり、 このようなケースでは、ベクトル検索だけでは、十分な検索精度が得られない状況があります。 そのような課題を解決するためには、キーワード検索／全文検索を合わせたハイブリッド検索の利用が効果的です。 そこで今回は、SQLiteを利用したハイブリッド検索に対応した、軽量RAGの実現方法を紹介します。 alexgarcia.xyz aws.amazon.com 1. はじめに 2. SQLiteによるハイブリッド検索の実現 2.1 他のRAG検索エンジンとの比較 3. RAG構成の実装 3.1 テーブル構成 3.2 s

こんにちは。YAMALEXのSsk1029Takashiです。 普段の業務ではAzureを扱うことが多く、特に生成AIを使う関係上、Microsoft Foundryに触れる機会が多くあります。 そんな中、最近Foundry Agent Serviceが新しいバージョンになり、仕様や機能が大幅に変更・追加されて便利になりました。 v1の時代から使っていた自分としては感動する部分が多かったので、本記事では特に便利になったと感じた変更点をまとめてみました。 ※本記事ではエージェントとそれに付随するツールやメモリなどの概念は解説の対象外とします。 Foundry Agent Serviceとは v2になって何が変わったか? 対応モデルの拡充 エージェント呼び出しのインターフェースがResponses APIに刷新 Microsoft Agent Frameworkとの連携が手厚くサポート 呼び出

こんにちは、丸山です。 先日、横浜美術館で光の表現が印象的な作品を見てきました。 仕事場にもガラス製品を置いてみたら、少し華やかになって、いい気分で過ごせています。 今回のテーマは 「Codexのサブエージェント機能」 です。 最近、Claude Code だけではなく、Codexの人気も高まってきているように感じていますが、本記事では、Codexのサブエージェント機能が実際にどのように動くのかを確認していきます。 1. Codexによるマルチエージェント構成 1.1 サブエージェントで設定できる項目 1.2 spawn_agents_on_csvとは 2. マルチエージェント構成でフロントエンド／バックエンドをまとめて開発してみる 2.1 アプリ構成 2.2 事前準備 2.3 比較検証 3. まとめ 1. Codexによるマルチエージェント構成 Codexでは、親エージェントが必要な作業

こんにちは。最近、AI将棋モデルの対局解説動画を見るのにハマっている大塚です。 将棋は全然わからないのですが、AIの予想外の手に驚いている解説を聞くのが結構面白いんですよね。 さて今回は、Agent–User Interaction（AG-UI）がどのような課題を解決するプロトコルなのかを確認します。 また、CopilotKitというフレームワークを利用して、AG-UIに準拠したアプリをどのように作成できるのかも試してみます。 1. AG-UIとは 1.1. AG-UIが解決しようとしている課題感 1.2. 他エージェントプロトコル（MCP・A2A）との違い 1.3. AG-UIが標準化している主なイベント 2. AG-UIを利用する 2.1. AG-UIを利用しない場合 Strands Agentsを利用したバックエンド実装 Google ADKを利用したバックエンド実装 フロントエンド

こんにちは、2年目エンジニアの飯棲です。 すっかり暖かくなり春本番ですね。 オフィス近くの公園に咲く桜がとても綺麗でした。 今回は、Microsoft Azureのプレビューとして新たに追加されたAgentic Retrieval について紹介します。 これにより、RAG を備えたエージェントを簡単に作成できるようになりました。 1. はじめに 2. AI SearchのAgentic Retrievalについて 2.1 何ができるか 2.2 Output Mode 2.3 Reasoning Effort 3. 試してみる 3.1 今回やること リソース作成 Azure AI Searchインデックスの作成 ナレッジベースの作成 Pythonの用意 3.2 検証 OutputMode=EXTRACTIVE_DATA / Reasoning Effort=minimal OutputMod

こんにちは。大橋です。 3月も終わりを迎え、近くの川辺では桜がちょうど見ごろになりました。 春のやわらかな空気に包まれながら、新しい季節の訪れをしみじみ感じる頃ですね。 ところで、みなさんはビジネスデータを分析する際、SQLを書いたり、BIツールの集計条件を何度も調整したりする作業に時間を取られたことはないでしょうか。 このようなデータ分析も、生成AIを利用して、自然言語でいい感じにデータを分析できたら良いですよね。 そのような内容を、最近では、生成AIとBIツールを掛けて「Generative BI」という言い方をします。 今回、OSSのGenerative BIツールである「WrenAI」を使い、RDBのデータを日本語で分析できるかを検証しました。 1. はじめに 1-1. Generative BIとは 1-2. 「WrenAI」とは 1-3. 「WrenAI」の仕組み 1-4. 本

こんにちは。データ分析エンジニアの木介です。 AIエージェントを導入し、業務の自動化を進めていくと、「重要な操作には人による承認を挟みたい」というケースが出てきます。 今回は、Strands Agentsのinterrupt機能とAG-UIプロトコルを組み合わせて、Human-in-the-Loop（HITL）付きの調査レポート作成エージェントを実現してみます。 github.com strandsagents.com 1. はじめに 2. AG-UI × HITL 2.1. AG-UIとは 2.2. Human-in-the-Loopとは 2.3. 今回実現するアプリイメージ 構成 3. 実装ポイント 3.1. Strands Agents interruptによるHITL制御 3.2. AG-UIによるAgent-UIの連携 バックエンド: AG-UIエンドポイントの公開 フロントエン

こんにちは、丸山です。 2月後半に入って、急に暖かい日が増えてきましたが、それに伴い、花粉症が辛くなってきました（涙）。 本記事では Amazon Bedrock AgentCore Memoryのエピソード戦略を取り上げます。 他の記憶戦略と比較しながら、どのような情報が保存され、どんな場面で有効なのかを実例ベースで確認していきます。 1. AgentCoreとは 2. AgentCore Memoryとは 2.1. 短期記憶と長期記憶 2.2. 長期記憶の記憶戦略 エピソード戦略が保存する記憶情報 エピソード戦略が有効なユースケース 2.3. コスト 3. 実装と検証 3.1. メモリ作成 3.2. メモリへ会話データを追加 3.3. メモリへの問い合わせ サマリ戦略 ユーザー嗜好戦略 セマンティック戦略 エピソード戦略 3.4. AIエージェントによる回答 サマリ戦略／ユーザー嗜好戦

こんにちは。大塚です。 普段は生成AIを利用したサービスの開発に携わっているのですが、直近の仕事では、数理最適化の手法を扱う機会がありました。 実は、大学の授業で数理最適化をかじっており、教授がよく 「人の勘や経験に頼っている部分を数式に落とし込むことで、合理的な意思決定ができるようにしよう。」 といっていたことを思い出しました。 まさに今、それを仕事で実践できており、面白くなってきました。 さて、今回のテーマは最適化ではなく、AIエージェントのUIについてです。 現在の生成AIアプリのUIといえば、「チャット」形式がほとんどの状況だと思いますが、チャットのアプリは汎用的な一方で、入力を制御したり、画像や動画の表示が難しかったりと、限界を感じることってありませんか？ そんな悩みを解決してくれる、「A2UI（Agent to UI）」という、AIエージェント用のUIプロトコルが、2025年1

こんにちは、YAMALEX駿です。 YAMALEX は Acroquest 社内で発足した、会社の未来の技術を創る、機械学習がメインテーマのデータサイエンスチームです。 （詳細はリンク先をご覧ください。） AIエージェントの開発において、本番環境での動作を監視し、パフォーマンスを測定・デバッグすることは非常に重要です。 Amazon Bedrock AgentCore Observability を活用することで、エージェントの動作を詳細に追跡し、問題を迅速に特定できるようになります。 本記事では、Strands Agentsフレームワークを使用して、OpenTelemetryによる自動計装を実装し、CloudWatchでエージェントの動作を可視化する方法について解説します。 AgentCore Runtimeを使うと自動で有効になる機能ではありますが、Runtimeを使わないときでも、

1.はじめに こんにちはデータ分析エンジニアの木介です。 今回は2025年12月にAWSより発表された Lambda Durable Functions を使って Human-in-the-Loop なAgentの構成を紹介します。 Lambda Durable Functions を使うと、複数ステップの処理を 最大1年間 継続できます。 また、承認待ちのように処理を進められない間はLambdaの実行を一度止めた状態で待機でき、その間は実行時間として扱われません。 そのため、Human-in-the-Loop のように「数時間〜数日待つ」ワークフローでも、サーバレスのまま実装しやすくなります。 aws.amazon.com 以下のような人間の承認が必要となるようなAgentを、 Lambda Durable Functions によりサーバレス構成で実現しています。 Human-in-t

こんにちは、コバタカです。 最近はAIエージェントを使って、作って、楽しんでいます。 LLMと同様、時系列予測においても基盤モデルの活用が近年進んでいます。 今回紹介するChronos-2は、AmazonがOSSとして公開している時系列データ処理向けの基盤モデルです。 以前、本ブログでChronos-Boltの紹介がありましたが、Chronos-2はその後継モデルとなります。 様々な時系列データに対応するように学習されており、ZeroShotでも高い精度での予測が可能となっているモデルです。 この記事では、そのChronos-2について紹介していきます。 なお、Chronos-Boltの解説については以下をご覧ください。 acro-engineer.hatenablog.com Chronos-2について Chronosは予め様々な時系列を学習させておくことで、適用するデータの学習をせずと

こんにちは、丸山です。 最近、AgentCoreを利用する仕事が増え、日々いろいろな利用方法を調べています。 さて、AgentCoreは、2025年7月にプレビュー公開されて以降、10月には一般提供開始（GatewayのMCP対応／Memoryの長期記憶対応など）、12月にはさらに機能追加がされ（Evaluations／Policy）、あっという間にアップデートされていきますね。 さて今回は、AgentCore Runtime が対応している A2A（Agent2Agent）プロトコルに注目します。 A2A を利用することで、エージェント同士を標準化されたプロトコルで連携させることができます。 さらに Strands Agents には A2AClientToolProvider が追加され、 わずか数行のコードでエージェント間通信を実装できるようになっています。 本記事では、AgentC

皆さんこんにちは。 Acroquest のデータサイエンスチーム「AcroYAMALEX」を率いるチームリーダー、@tereka114です。 AcroYAMALEX では、コンペティション参加・自社製品開発・技術研究に日々取り組んでいます。チーム紹介はこちら。 本記事は、「学習推論ライブラリ・フレームワーク Advent Calendar 2025」の25日目です。 qiita.com LLMは相変わらず新しいモデルが登場し世間を賑わせています。 しかし、モデル自体が重く、計算時間がかかります。そのため、LLMの推論では計算速度が重要となります。 「vLLM」では、LLMを効率的に推論する技術を用いて、推論の高速化を実現してきました。 ※以前、本ブログでも次の記事で「vLLM」による高速化について紹介しました。 acro-engineer.hatenablog.com 今回は「vLLM」と

こんにちは。Elasticsearchテクニカルコンサルタントの江見です。 この記事は、Elastic Stack (Elasticsearch) Advent Calendar 2025の24日目の記事です。 ログの検索、売上データ、ユーザの行動履歴など、業務システムでタイムスタンプの範囲検索はほぼ必須の機能になります。 特に日単位で範囲指定をする場合は、yyyy-MM-ddのように日付のみを指定するのが人間にとっては直感的にわかりやすいと思います。 Elasticsearchで範囲検索を行う場合は、rangeクエリを使用するのが一般的ですが、yyyy-MM-ddの形式のままrangeクエリを使用した場合に 「ヒットするはずのドキュメントが返ってこない」「余分なドキュメントが返ってくる」などのケースが発生しがちです。 今回はyyyy-MM-ddでrangeクエリを使用した場合の挙動につい

この記事は、以下の Advent Calendar の 18 日目における投稿です。 Japan AWS Top Engineers - Qiita Advent Calendar 2025 - Qiita AIエージェント構築＆運用 - Qiita Advent Calendar 2025 - Qiita こんにちは、 YAMALEX の駿です。 今回は re:Invent で発表された Amazon Nova 2 Sonic と StrandsAgents の新機能である Bidirectional Agent を使って、 音声対話をとおして Bedrock Knowledge Base から情報を取得できるエージェントを作成しました。 Nova 2 Sonic の応答がとても速くて驚きました。 返答までの待ち時間が短く、会話としてほとんどストレスを感じません。 また、アシスタントが話

この記事は AI Agent on AWS - Qiita Advent Calendar 2025 - Qiita 16日目の記事です。 1. はじめに こんにちは。データ分析エンジニアの木介です。 Anthropic が公開した「Code execution with MCP: building more efficient AI agents」では、MCP（Model Context Protocol）とコード実行環境を組み合わせて、コンテキスト消費を抑えながらツールを使うための新しい設計パターンとして Code execution with MCP が紹介されました。 今回は、この Code execution with MCP を Amazon Bedrock AgentCore と Strands Agents で実装し、直接MCPを実行するAgent と比較して、実行時間・消

こんにちは。 Acroquestのデータサイエンスチーム「YAMALEX」に所属する@shin0higuchiです😊 YAMALEXチームでは、コンペティションへの参加や自社製品開発、技術研究などに日々取り組んでいます。 2025年12月11日（木）、東京で開催された OpenSearch Con Japan 2025 に参加してきました。 events.linuxfoundation.org 私は普段 OpenSearch／Elasticsearchなどを利用した検索サービスの開発やチューニングなどに携わっているので、今回のイベントはとても楽しみにしていました。 この記事では、イベント全体の雰囲気を簡単お伝えしつつ、 個人的に「これは実運用で効く！」と強く感じたセッションについて、少し厚めにレポートしたいと思います。 イベントの概要と雰囲気 OpenSearchは、Elasticsea

皆さんこんにちは。 Acroquest のデータサイエンスチーム「AcroYAMALEX」を率いるチームリーダー、@tereka114です。 AcroYAMALEX では、コンペティション参加・自社製品開発・技術研究に日々取り組んでいます（チーム紹介は こちら ）。 生成AIモデルの多くは、提供元のベンダーが学習させたものを利用するのが一般的だと思いますが（クローズドな状態）、 最近、「オープンウェイトモデル」というものが注目されています。 これは、モデルのパラメータが公開されているため、利用者が変更・調整できるもので、ファインチューニングよりも簡単に様々な環境でチューニングが可能になります。 Amazon Bedrock でも、2025/08/05に、オープンウェイトモデル（gpt-oss） が利用可能になりました。 ただ、日本語の実務でどの程度使えるか（＝どの程度の精度か）は、まだまだ

こんにちは、丸山です。 2025/10/13に、Amazon Bedrock AgentCore がついに一般公開（Generally Available）となりました！ もちろん、東京リージョンでも利用可能になっています。 「今年の re:Ivent に合わせて、12月ごろにGAかな」と勝手に予想していたのですが、見事に裏切られましたね。 aws.amazon.com ということで、早速、Amazon Bedrock AgentCore で、AIエージェントを開発した内容を紹介してみたいと思います。 1. はじめに 1.1 Amazon Bedrock AgentCoreとは 1.2 AgentCoreのサービス概要 1.3 概要・メリット 2. 検証アプリケーションの構成 2.1 概要 2.2 構成図 3. 実装 3.1 LambdaをGatewayを使ってMCPツールとして呼び出せる

はじめに こんにちは。データ分析エンジニアの木介です。 今回はAmazon Bedrock Knowledge BasesベクトルDB（検索エンジン）として利用できるものの比較を行っていきたいと思います。 前回はS3 VectorsとOpenSearch Serverlessの比較を行いましたが、ハイブリッド検索が必要な内容だと、精度の差が大きく出ました。 acro-engineer.hatenablog.com 現状、Bedrock Knowledge Base でハイブリッド検索に対応しているのは、以下のベクトルDBがあります。 OpenSearch Serverless OpenSearch Managed Cluster Aurora Serverless V2（PostgreSQL） MongoDB Atlas 今回、その中でも利用頻度が高いと思われる、OpenSearch Se

こんにちは、YAMALEXの駿です。 昨今、対話型AIの活用が進む中で、ユーザーごとにパーソナライズされた体験を提供することが、より重要になっています。 単なる一問一答ではなく、「ユーザーが誰で、どんな関心や目的を持っているか」を理解したうえで応答できるエージェントが求められています。 本記事では、Strands AgentsとBedrock AgentCoreを組み合わせて、ユーザーとの対話履歴を記憶・活用するパーソナライズ型エージェントの実装と検証を行います。 1. はじめに 1.1. Strands Agentsとは 1.1.1. Strands Agents Tools 1.2. Bedrock AgentCoreとは 1.2.1. AgentCore Memory 2. 検証 2.1. 構成図 2.2. 実装 2.3. 会話してみた 2.3.1. 好みを理解していない場合 2.3

こんにちは。新人エンジニアの飯棲です。 本記事ではGPT-5で新しく導入された新しいパラメータの一つであるCFGについて紹介します。 CFGはLark文法や正規表現によってモデルの回答の出力形式を制限できる便利な機能です。 1. はじめに 2. GPT-5の新機能、CFGパラメータについて 1. 何ができるか 2. 注意事項 3. 試してみる 1. 今回やること 2. Lark文法を定義する 3. CFGに設定してGPT-5を実行する 4. 色々なパターンを試す シンプルなパターン 複雑なパターン 逸脱したパターン 4. まとめ 1. はじめに GPT-5からはリクエスト時に指定できるパラメータが追加されており、モデルの出力を今までよりも細かく制御することが可能です。 cookbook.openai.com 今回はその中でも、出力のフォーマットを強制できるCFGパラメータを紹介するとともに