マジカルラブリー☆つむぎのピュアピュアA.I.放送局 podcast 20251215

関連リンク OpenAI are quietly adopting skills, now available in ChatGPT and Codex CLI OpenAIがAnthropicのSkills機構を取り入れ、ChatGPTのCode InterpreterとCodex CLIにスキルサポートを静かに導入しました。スキルはMarkdownファイルとリソースを含むフォルダで構成され、ファイルシステムへのアクセス能力を持つLLMツールであれば利用可能です。 ChatGPTでは/home/oai/skillsフォルダにアクセスし、PDFやdocxなどのファイルを処理できます。PDF処理では、レイアウトやグラフィック情報を維持するため、PDFをPNG画像に変換してGPTモデルに渡すアプローチを採用しています。 Codex CLIでは、~/.codex/skillsフォルダ内のスキルを認識し、--enable skillsオプションで利用できます。スキルを利用してDatasetteプラグインを自動生成する例も紹介されています。 これらの動きは、AIエージェントの機能拡張において、軽量なスキル定義が重要であることを示唆しており、Agentic AI Foundationによる正式なドキュメント化が期待されます。 引用元: https://simonwillison.net/2025/Dec/12/openai-skills/ 🐸 なぜ今、Agentic Workflowなのか - Graflowの設計思想 本稿は「現場で使えるAIエージェントワークフロー」を目指すオーケストレーションエンジンGraflowの設計思想を、既存フレームワークとの対比を交えて解説しています。著者はエージェント導入の現実課題（本番での挙動制御、並列処理・水平スケール、Human-in-the-Loop（HITL）、長時間処理の再開、グラフの可読性悪化）を挙げ、これらを解決するために「Type B：Agentic Workflow（構造化オーケストレーション＋局所的自律性）」に特化する方針を示しています[7]。GraflowはSuperAgentの内部推論をワークフローで細かく表現せず、SuperAgentを「Fatノード」として外部専門フレームワーク（Google ADK、PydanticAI、SmolAgents等）に委譲する責務分離戦略を取る点を強調しています[7][4]。 設計上の特徴と主要機能は次の通りです。1) 実行時に動的タスク生成・分岐を行えるState Machine風の制御（context.next_task/next_iteration/goto）により、事前に全分岐を定義する必要を排し柔軟なループ・ファンアウトを実現する[7]。2) ユーザ制御のcheckpoint/resumeで長時間処理の途中再開が可能（checkpointはS3/ローカル/Redis等に保存）[7]。3) HITLとcheckpointの組合せで承認待ちを非同期に扱い、タイムアウト時に自動checkpointを作ることで人の回答後に再開できる仕組みを提供する[7][6]。4) Redisベースの分散ワーカーによる水平スケールと、ローカル→分散への切替が簡単な実行バックエンドを備える[7]。5) LLM呼び出しは用途に応じて二通りのインジェクションを提供—複雑な推論はinject_llm_agent（SuperAgentラップ）、単発呼び出しはinject_llm_client（軽量・マルチモデル）—でコストと複雑度を使い分けられる[7]。6) DAG的演算子DSL（»、）とタスク内での動的遷移を組み合わせた「DAG × State Machine」ハイブリッド設計により静的可読性と動的柔軟性を両立している[7]。さらに、Dockerハンドラー、TypedChannelによる型安全なタスク間データ共有、並列グループごとの細粒度エラーポリシー（Strict / Best-effort / At-least-N / Critical / カスタム）やLangFuse/OpenTelemetry統合によるトレーシングとランタイムグラフエクスポートなど、プロダクション運用で必要な機能が揃っています[7][8]。 比較として、LangGraphはSuperAgentもワークフローも自前実装するフルスタック路線で、グラフの事前コンパイルや急峻な学習曲線、APIの流動性が問題視されている点を指摘し、Graflowはワークフローに専念して「ベストツールを組み合わせる」アプローチを採るとしています[7][3]。実用例やOSS公開・協力募集（2026年1月公開予定）についても言及されています[7]。 新人エンジニア向けの要点整理： 目的：現場で制御できてスケールするAIワークフロー（Agentic Workflow）を実装するためのライブラリ設計。SuperAgentは外部に任せ、ワークフロー制御に専念する点がキモ[7][4]。使い分け指針：複雑なマルチターン/ツール呼び出しはSuperAgent（inject_llm_agent）、単発処理はLLMClient（inject_llm_client）を使う[7]。実装ポイント：静的に見やすいDAGを演算子で定義しつつ、タスク内部でnext_task等を呼んで動的に遷移することで柔軟性を...