サクサク読めて、
アプリ限定の機能も多数！
アプリで開く
🌟 はじめに:AIエージェント時代のワークフローと「理想と現実のギャップ」 LLMの台頭により、システム開発の現場では「AIエージェント」をどのように業務や自社製品に組み込むかが喫緊の関心事となっています。 一方で、いざプロダクション環境でエージェントを動かそうとすると、既存のツールと要件の間に 「理想と現実のギャップ」 を感じることはないでしょうか？ 「自律的に動くエージェントは魅力的だが、本番環境では挙動を制御したい」 「SuperAgentの挙動が不安定なので挙動を把握したい」 「多数のエージェントタスクの並列処理やHuman-in-the-Loop(HITL)、長時間走るコストの高いタスクの再開処理（checkpoint/resume）がうまく扱えない」本記事では、こうした課題意識から開発している新しいオーケストレーションエンジン 「Graflow」 の設計について解説します
タイトル こんにちは、ABEJA Platform に搭載しているアプリケーション、「ABEJA Insight for Retail」の開発と運用を担当している森永です。 今回は LangChain 社より公開されている local-deep-researcher という、ローカル LLM で動作する Deep Research を簡単に作成できる OSS を動かして、その構造について解説します。 ※本記事ではLinux とMac 向けの動作手順を記載しています。Windows 向けの環境構築手順は下記レポジトリの README をご参照ください。github.com こちらの OSS ではOpenAI やGoogle をはじめ、各社が提供している deep research 機能に近しいアプリケーションを、ローカルの LLM モデルを使って実現しています。 OSS の名称
はじめにOpenAI Agents SDKやAutoGen、LangGraph等、様々なエージェント フレームワークが出てきていますが、これらのチュートリアルやサンプルをみてみても「どうしたら上手く活用できるのか」という点がいまいちピンと来ていませんでした。 こうした中、LangChainのGitHubレポジトリでLangGraphを用いて実装された「Open Deep Research」があり内容を確認したところ、プランニングからフィードバックといったエージェントに関する機能が一通りの実装されており、かつ規模も手ごろで実用的だと感じたため調査してみました。 今回、他のフレームワークとの比較と技術習得を兼ねて、この「Open Deep Research」をOpenAI Agents SDKで再実装してみましたので、その移行時のポイントと所感について皆さんと共有したいと思います。 また参考
1リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
