トピック別に新着順で読めます。「あのアップデート何だっけ」はキーワード・期間からも探せます。
Vercelは、ベクトルDBやembeddingを使わず、ファイルシステム操作だけで動く知識エージェントの構築手法をブログで紹介し、実装済みのオープンソーステンプレート「Knowledge Agent Template」を公開しました。社内の営業通話要約エージェントではコストが1回あたり約1.00ドルから約0.25ドルに下がり、回答精度も向上したといいます。
OpenAIはGPT-5.4シリーズの小型・高速モデルとして「GPT-5.4 mini」と「GPT-5.4 nano」を発表しました。コーディングやツール利用、マルチモーダル推論、大量のAPI・サブエージェント処理向けに最適化されています。上位モデルであるGPT-5.4の能力をベースに、規模を落として速度とコストを重視した構成になっている点が特徴です。
OpenAIは学習プラットフォーム「OpenAI Academy」に新ページを追加し、ChatGPT上で動作する「ワークスペースエージェント」の構築・活用・拡張方法を紹介しています。繰り返し発生する業務フローの自動化やツール連携、チーム運用の効率化がテーマです。
Google DeepMindは公式ブログで、新モデル「Gemini 3.5」を発表しました。複雑なエージェント型のワークフローを実行できるよう設計されている点が特徴として示されています。現時点で公開されている情報はごく短く、詳細な機能や性能指標は明らかにされていません。
Redis Blogは、AIエージェントがデモ環境と本番環境で直面する課題の違いを整理し、本番運用に必要な「コンテキストレイヤー」という概念を提示しています。セッションをまたいだユーザー記憶や、矛盾する検索結果の調整といった実務上の壁が浮き彫りにされています。
Redisは、AIエージェント向けの新しいコンテキスト・メモリ管理ソリューション「Redis Iris」を発表しました。エージェントが失敗する原因は知能不足ではなく、コンテキスト層が分断・陳腐化・低速・使いにくいことにあるという問題意識が背景にあります。詳細な機能仕様は続報が待たれますが、Redisの新たな一手として注目されます。
Redis Blogは、AIエージェントの役割がバグ修正や関数生成のような数分で終わる単発タスクから、ツールを使いながら長時間状態を保持するマルチステップな作業へと移行していると指摘しています。この変化により、エージェントの「記憶」や「状態」をどう管理するかが新たな課題になるとしています。
Redis Blogが公開したガイド記事は、AIアシスタントが単発の検索で終わらず、複数の情報源を横断し、自ら結果を検証して不十分なら再検索する「エージェント型検索」という考え方を紹介しています。従来の一問一答型の検索拡張生成(RAG)との違いを理解する入り口となる内容です。
Redisの公式ブログが、長時間動作するAIエージェントが直面する記憶喪失問題を題材に「コンテキスト圧縮(context compaction)」というテーマを取り上げています。原文はガイドの冒頭部分のみが公開されており、具体的な解決策の詳細は今後の内容に委ねられています。
Redis Blogが公開した記事は、LangGraph、CrewAI、OpenAI Agents SDKといった異なるフレームワークで構築されたAIエージェント同士を連携させられるかという、多くの組織が直面する課題を取り上げています。フレームワークの乱立がもたらす相互運用性の壁を、具体的な社内シナリオを通じて描き出しています。
Redisの公式ブログが、AIエージェントが古い(フレッシュでない)入力データをもとに誤った判断を下してしまう問題を、返金処理の具体例とともに取り上げています。エージェントの各ステップで参照するデータの鮮度が、自動化の信頼性を左右することが示されています。
Elasticは、企業のAI活用が検索主導の体験からエージェント型AIへと移行しつつある中で、コンテキストエンジニアリングと検索(リトリーバル)レイヤーの重要性が増していると指摘しています。信頼でき本番運用に耐えるAIエージェントを構築する上で、この2つが鍵になるという内容です。
VercelのAI Gatewayで、GoogleのGemini 3.7 Flashが利用可能になりました。2026年12月31日まで料金が50%オフとなり、ソフトウェア開発やエージェント的なタスクでの性能向上が特徴です。AI SDKやコーディングエージェント経由で簡単に利用できます。
Redis公式ブログの記事「Semantic memory search for AI agents」は、LLMベースのAIエージェントが会話ごとに記憶を保持できないという構造的な問題を取り上げています。オンボーディング対応を例に、外部メモリ層がなければエージェントが同じ質問を繰り返してしまう実例を紹介しています。
Redis公式ブログが、AIエージェントを実用的な存在にするにはランタイムでのデータアクセスが不可欠だと指摘する記事を公開しました。学習データとプロンプトだけに依存するモデルの限界を示し、本番環境の情報をどう供給するかという課題を提起しています。
LangChainのAnthropic統合パッケージ「langchain-anthropic」がバージョン1.5.0に更新されました。主な変更点は、reasoning_effortをチャットモデルの標準パラメータとして扱えるようになったことです。前バージョン1.4.8からの差分として、複数のPRがマージされています。
Redis Blogの記事「Context assembly: building the prompt the model actually sees」は、本番運用のLLMアプリケーションでモデルに渡されるプロンプトが、実は人間が直接書いた文章ではなく、複数の情報源を裏側で結合した結果であることを解説しています。システム指示や検索結果、会話履歴、ツールスキーマ、記憶データがどのように統合されるかという、LLMアプリ開発の隠れた工程に焦点を当てています。
Redis Blogの記事は、推論(reasoning)機能を持つLLMが回答前に生成する思考過程のトークンが、実は高額な出力トークンとして課金されている点に注意を促しています。1回のリクエストで数百トークンに達することもあり、コスト管理の新たな論点として取り上げられています。
Redis Blogの記事「Context orchestration: what it is & how it works」は、LLMアプリケーションがデモでは正常に動作しても本番環境で不安定になる現象を取り上げています。原因はモデル自体ではなく、モデルに渡す情報を管理する仕組みにあると指摘しています。
Redis Blogの記事は、汎用的な質問には答えられる企業のAIが、自社特有の価格や社内ポリシーについては誤った回答やハルシネーションを起こしがちだと指摘しています。原因は、AIが参照する情報が最新の社内データと結びついていないことにあるとされています。本記事執筆時点で公開されている原文の範囲では、具体的な解決策の詳細までは示されていません。