17 分12-Factor Agents:信頼できるLLMアプリケーションの設計パターン-Dex Horthy、HumanLayer
一時停止、再開、人間への判断依頼を行い、ビジネス上の状態をモデルの推測から分離できるAIワークフローの設計方法を学べます。
42件の結果
フィルターに一致するものがありませんカテゴリやレベルを変更するか、フィルターをクリアしてすべてのコンテンツを表示してください。
17 分一時停止、再開、人間への判断依頼を行い、ビジネス上の状態をモデルの推測から分離できるAIワークフローの設計方法を学べます。
18 分問題発生後の非公式な手動レビューではなく、明示的なワークフローチェックポイントとして承認ゲートを実装する方法を確認できます。
32 分意味、トーン、用語、最終承認に対する人間の責任を失わずに、ローカライゼーションへAIを導入する方法を学べます。
4 分多言語埋め込みがプライベートな社内検索に重要な理由と、ローカル検索によってデータ漏えいリスクを軽減できる場面を理解できます。
66 分セットアップ、プロンプト、デバッグ、Gitの基本、AI支援コーディングの限界を含め、小規模なCursorプロジェクトを構築する初心者向けワークフローの全体像を把握できます。
5 分AIにコードを書かせる前に設けるべき3つのガードレールと、それぞれが特定の失敗を防ぐ理由を説明できるようになります。
31 分n8nのサポートワークフローが検索に基づく返信案とナレッジベース更新案を作る方法を確認し、本番使用前に必要な制御を特定します。
231 分本番運用向けに強化する前のサポートエージェントが、検索、エスカレーション、ワークフローツールをどう組み合わせるかを確認します。
24 分AIが下書きと作業の振り分けを担いながら、人間が戦略、ブランドボイス、公開の管理権を維持するマーケティングワークフローを設計できます。
30 分自動化すべきワークフローを決める前に、現在のマーケティングツールの全体像を整理できます。
26 分営業ワークフローに音声エージェントを導入できる場面と、情報開示、同意、エスカレーションが障壁となる場面を評価できます。
30 分自動化を品質と取り違えることなく、AI支援によるアウトバウンド営業を支えるデータ拡充とパーソナライズのパイプラインを理解できます。
23 分マルチエージェント型ニュースレターパイプラインを学び、情報源、承認、障害処理をどこに配置すべきか判断できます。
24 分ブラウザエージェントの操作ループ、役立つ場面、人間による確認が依然として必要な場面を見分けられるようになります。
2 分デスクトップでのコンピューター操作と、ブラウザ限定エージェントの動作を比較できます。
11 分ホステッド文書アシスタントにおける情報源の選択、質問、生成物、引用確認の各工程を特定します。
26 分情報源に基づくノートブックのワークフローを確認し、信頼する前に必要な検索、引用、出典、権限の確認を特定します。
29 分生成、評価、枝刈りから成る推論パターンと、実務には高コストすぎる場面を理解できます。
25 分思考の連鎖を儀式的な手順にすることなく、役割、構造化されたセクション、明示的な思考手順をプロンプトに組み込めます。
69 分実際の検索システムを調整する前に、チャンク分割の選択肢を直感的に理解できます。
24 分クエリの書き換え、ハイブリッド検索、リランキング、修正ループを1つのRAGパイプラインに組み合わせる方法を確認できます。
25 分OWASPのLLMリスク分類を用いて、ツールへのアクセス、出力処理、機密データの漏えいをレビューできます。
11 分直接プロンプトインジェクションと間接プロンプトインジェクションを区別し、フィルタリングだけでは不十分な理由を理解できます。
107 分トレースを調べ、失敗を分類し、基準を定義し、変更をテストし、人間の判断と比較する、プロダクト開発者向けの評価ループを学べます。
3 分再現可能なプロンプト評価をコードなしで行う最小構成を確認できます。
26 分ツールへのアクセス、メモリ、ガードレールを配置すべき場所を把握しながら、初めてのn8n AIエージェントワークフローを構築できます。
92 分シンプルなエージェントを、メモリ、エラー処理、現実的なビジネス連携を備えた複数ステップのワークフローへ拡張できます。
14 分ローカルモデルランナーをインストールして小規模モデルを取得し、実務で使う前にプライバシーと性能のトレードオフを理解できます。
6 分GUIからローカルAIを試し、小規模モデルの動作をホスト型のフロンティアモデルと比較できます。
20 分ホスト、クライアント、サーバー、ツール、リソース、プロンプト、トランスポートというプロトコル上の役割を理解できます。
16 分MCPによって何が変わるのかを平易な言葉で説明し、ツール接続にMCPを使うべきか、より単純な連携方法を使うべきか判断できます。
19 分フラッグシップ、軽量、中間、特化型モデルを比較し、ブランドの好みではなく、タスクへの適合性、コスト、レイテンシーに基づいてルーティングを判断できます。
9 分オーケストレーションの複雑さを追加する前に、品質、コスト、信頼性の間にあるモデルルーティングのトレードオフを評価できます。
30 分ワークフローの工程を区別し、工程ごとにテスト可能なツール選定基準を作ります。
14 分複数のユースケース案を候補工程に変え、記事の機能基準と引き継ぎ基準に照らしてテストします。
10 分製品の評判ではなく、ホスティング、AIエージェントとの適合性、連携、保守のトレードオフに基づいて自動化プラットフォームを選べるようになります。
3 分o1公開時の位置付けを確認し、その歴史的説明と現在の実装ガイダンスを区別します。
28 分o1についての一つの歴史的説明を理解し、現在のモデルとワークロードで、直接的なタスク指定をほかの対応プロンプト案と比較します。
10 分代表的な事例と明示的な合格基準を使い、プロンプト生成構造の一候補としてC.R.A.F.T.を評価します。
20 分プロンプト構造の候補を抽出し、担当者、バージョン、評価、制限、フォールバックの項目を加えてからレビューに回します。
8 分1つの予測に会社の命運を賭けることなく、複数のAI将来シナリオを使って導入を計画できます。
60 分ワークフローの変更、能力開発、現実的な組織リスクを中心にAI導入を捉えられるようになります。