**ハイパーエージェント:自己参照型自己改善エージェント**

2026/03/25 1:54

**ハイパーエージェント:自己参照型自己改善エージェント**

RSS: https://news.ycombinator.com/rss

要約

Japanese Translation:

改訂要約

HyperAgents リポジトリは、自己参照的で自己改善型のエージェントを構築するための既成フレームワークを提供し、任意の計算可能タスクを最適化できます。

  • 前提条件: 必要なシステムパッケージをインストールします。
    sudo dnf install -y python3.12-devel graphviz graphviz-devel cmake ninja-build bzip2-devel zlib-devel ncurses-devel libffi-devel
    
  • 設定: 仮想環境を作成し (
    python3.12 -m venv venv_nat
    )、アクティブ化してから
    pip install -r requirements.txt && pip install -r requirements_dev.txt
    
    を実行します。
  • APIキー: OpenAI、Anthropic、および Gemini の API キーを
    .env
    ファイルに配置します(例:
    OPENAI_API_KEY
    ,
    ANTHROPIC_API_KEY
    ,
    GEMINI_API_KEY
    )。
  • Docker ビルド(任意): 画像をビルドします。
    docker build --network=host -t hyperagents .
    
  • ブートストラップエージェント: 初期設定スクリプトを実行します。
    bash ./setup_initial.sh
    
  • システムの実行: エージェントループを起動します。
    python generate_loop.py --domains <domain>
    
    結果は
    outputs/
    に書き込まれ、実験ログはマルチパート ZIP(
    outputs_os_parts.zip
    )として保存されます。
    以下のコマンドで分割を解除し抽出します。
    zip -s 0 outputs_os_parts.zip --out unsplit_logs.zip
    unzip unsplit_outputs.zip
    
  • リポジトリ構成: コードは
    agent/
    ,
    analysis/
    ,
    domains/
    ,
    utils/
    に整理され、主要なスクリプトとして
    run_meta_agent.py
    ,
    meta_agent.py
    ,
    task_agent.py
    ,
    generate_loop.py
    が含まれます。
  • 安全性に関する注意: プロジェクトは生成されたコードが危険である可能性を警告しており、モデルが作成したスクリプトを実行する際には慎重に扱う必要があります。
  • 引用: HyperAgents は最近の自律エージェント研究に基づいており、Zhang et al., 2026 (arXiv:2603.19461) を引用しています。

このフレームワークは、開発者や研究者が自己最適化型エージェントを迅速にプロトタイピングできるようにし、データ処理や AI パイプラインの自動化を加速させる可能性があります。ただし、生成コードの慎重な取り扱いが強調されています。

本文

自己参照型自己改善エージェント:任意の可計算タスクを最適化できる


セットアップ

API キー

以下を

.env
ファイルに記入してください。

OPENAI_API_KEY=…
ANTHROPIC_API_KEY=…
GEMINI_API_KEY=…

依存関係のインストール

sudo dnf install -y python3.12-devel
sudo dnf install -y graphviz graphviz-devel cmake ninja-build \
bzip2-devel zlib-devel ncurses-devel libffi-devel

仮想環境を作成

python3.12 -m venv venv_nat
source venv_nat/bin/activate
pip install -r requirements.txt
pip install -r requirements_dev.txt

Docker コンテナのビルド

docker build --network=host -t hyperagents .

初期エージェントをセットアップ

bash ./setup_initial.sh

HyperAgents の実行

generate_loop.py
を使ってアルゴリズムを走らせます。
利用可能な引数はヘルプで確認できます。

python generate_loop.py --domains <domain>

デフォルトでは出力が

outputs/
ディレクトリに保存されます。


ファイル構成

  • agent/ – 基盤モデルと対話するコード
  • analysis/ – プロットや解析用スクリプト
  • domains/ – 各ドメインの実装
  • utils/ – リポジトリ全体で共通に使われるユーティリティ
  • run_meta_agent.py – メタエージェントを起動し差分を取得するヘルパースクリプト
  • meta_agent.py – メタエージェントの主要実装
  • task_agent.py – タスクエージェントの主要実装
  • generate_loop.py – アルゴリズム実行のエントリポイント

実験ログ

実験ログはマルチパート ZIP 形式で保存されています。解凍するには:

  1. .z01
    ,
    .z02
    , … ファイルをすべて
    .zip
    と同じディレクトリに置きます。

  2. 次のコマンドを実行します。

    zip -s 0 outputs_os_parts.zip --out unsplit_logs.zip
    unzip unsplit_outputs.zip
    

安全性に関する注意

警告:
本リポジトリは信頼できない、モデル生成コードを実行します。現在の設定と使用しているモデルでは明示的に悪意ある動作が起こる可能性は極めて低いものの、モデルの限界や整合性の問題により破壊的な挙動を示す恐れがあります。本リポジトリを利用することで、そのようなリスクを認識し受け入れることになります。


引用

このプロジェクトが役立った場合は、以下の参照を検討してください。

@misc{zhang2026hyperagents,
  title={Hyperagents},
  author={Jenny Zhang and Bingchen Zhao and Wannan Yang and Jakob Foerster and Jeff Clune and Minqi Jiang and Sam Devlin and Tatiana Shavrina},
  year={2026},
  eprint={2603.19461},
  archivePrefix={arXiv},
  primaryClass={cs.AI},
  url={https://arxiv.org/abs/2603.19461}
}

同じ日のほかのニュース

一覧に戻る →

2026/03/27 5:53

**Deploytarot.com – デプロイメントのタロットカードリーディング** 「デプロイプロジェクトに対する洞察に満ちた指針を、個別化されたタロットカードリーディングで得ましょう。」

## 日本語訳: 記事では、ソフトウェアデリバリーを一連のタスク、リスク、およびステークホルダーの視点として可視化する比喩的な「カードデッキ」を紹介しています。各カードは、A/Bテスト、AI統合、DB移行、サーバーレス移行などの特定のタスクとアイコンおよび簡潔な説明をペアにします。リスクカードでは、「どの指標が重要かについてゼロコンセンサス」や「カードが見ている」という不確実性を列挙しています。役割カードは、CEO、CISO、CTO、清掃係、クライアント、コンサルタント、請負業者、DBA、データサイエンティスト、デザイナー、DevOpsエンジニア、エンジニアリングマネージャー、人事、インターン、ジュニア開発者、オフショア開発者、プロダクトマネージャー、プロジェクトマネージャー、QAエンジニア、受付係、営業、スクラムマスター、セキュリティエンジニア、シニアデベロッパー、SRE、ステークホルダー、テックリード、VP of Engineering など多岐にわたるステークホルダーの各役割がデプロイメント決定をどのように見ているかを示す一文の逸話を提供します。 物語は「アーケナはあなたのスプリント速度を気にしない」と強調し、代わりに「時折その終点で崖がある」という潜在的な落とし穴をハイライトすることに焦点を当てています。 デッキは各引きごとに新たにシャッフルされますが、「戻ってくると覚えている」と説明され、過去の洞察を保持する動的システムであることを示唆しています。 速度よりもリスク認識を前面に押し出すことで、このモデルは多様な役割間で明確なコミュニケーションと整合性を維持し、よりレジリエントなデリバリープロセスを育むことを奨励します。

2026/03/26 0:46

**2025年に多くの制御室がシー・フロムグリーン(海泡色)を採用した理由は?** | 要因 | なぜ重要だったか | |------|-----------------| | **エルゴノミクス研究** | その年に公開された調査では、海泡色が目の疲労を軽減し、長時間の監視作業中に集中力を向上させることが示されました。 | | **省エネルギー動向** | この色は白や黄よりも自然光を反射しやすく、24時間稼働する環境で人工照明の必要性を低減します。 | | **ブランドアイデンティティ** | いくつかのテック大手が「グリーンファースト」サステナビリティイニシアチブを開始し、その理念に合わせて制御室も再設計されました。 | | **心理的影響** | 緑は落ち着きとバランスに結びついており、オペレーターが重要なシステムを管理する際には不可欠な特性です。 | | **規制ガイドライン** | 新たな安全基準では、状態インジケータの可視性を高めるカラースキームが推奨されており、海泡色は赤警報と衝突せずにその要件を満たしました。 | まとめると、エルゴノミクス科学、省エネルギー政策、企業ブランディング、心理研究、そして更新された規制の融合が、2025年の制御室にとって実用的でストレスの少ない選択肢として海泡色を押し上げました。

## Japanese Translation: 記事は、核施設や工業サイトでよく見られる特徴的な海藻緑色を第二次世界大戦時のファーバー・ビレン(Faber Birren)の産業用カラー安全コードに遡ります。2017年夏、著者はオークリッジのX‑10グラファイト炉(「ファットマン」研究のためにロスアラモスへ輸送されたプルトニウムを生成した24フィート四方のブロック)を訪れ、壁と制御パネルでビレンが推奨するライト/ミディアムグリーンが一貫して使用されていることに注目しました。ビレン(1919–1996)は1944年に国立安全協議会によって承認されたカラーコードを開発し、1948年までに世界中で採用されました。このコードは次のような色から構成されています: - **Fire Red** – 火災防止、緊急停止、可燃液 - **Solar Yellow** – 注意、物理的危険 - **Alert Orange** – 危険機械部品 - **Safety Green** – 救急装置、出口、洗眼ステーション - **Caution Blue** – 非安全通知または故障表示 - **Light Green** – 視覚疲労を軽減する壁色 同じスキームがハンフォードのB‑レイザー制御室にも見られます:下部壁にミディアムグリーン、機械にはミディアムグレー、火災防止にファイヤーレッド、低照度エリアにベージュ、床はライトです。ビレンは、このような機能的カラー使用が明るさを制御し、事故を減らし、メンテナンス基準を向上させ、労働士気を高めると主張しました。 ドイツの「ケルン橋緑(Cologne Bridge Green)」は、橋という工業用途で開発された海藻緑色の別例です。著者はまた、古い自動車部品リストに触発されて「Parts List」というフォントをデザインし、オイル交換待合室の雰囲気を呼び起こすことを目的としています。このフォントは彼女のウェブサイトで入手可能です。彼女はこれら歴史的安全色が今日どのように適用できるかを引き続き探求し、海藻緑の使用を現代施設に拡大する可能性や、「Parts List」フォントを産業美学を捉えるデザインツールとして推進する計画です。

2026/03/24 7:06

**クラウドフレアのGen 13サーバー:** コア数とキャッシュ容量を入れ替えて、パフォーマンスを2倍にしています。

## Japanese Translation: Cloudflare は、AMD EPYC 5th‑Gen「Turin」CPU と Rust ベースのリクエストハンドラ FL2 を搭載した新しい Gen 13 エッジサーバーをデプロイ完了しました。Turin はコア数が倍増(最大 192 コア、Gen 12 の 96 コアに対して)し、Zen 5 により IPC が向上、1 コアあたりの電力消費が約32%削減され、DDR5‑6400 メモリバンド幅をサポートします。チップは全コアで 384 MB の L3 キャッシュしか共有せず、1 コアあたり約 2 MB(Gen 12 の 3D V‑Cache を搭載した場合は 12 MB/コア)です。 元の FL1 ハンドラ(NGINX/LuaJIT)は Turin 上で L3 ミス率が高く、ミスサイクルが約350回に対しヒットは約50回と遅延が増大し、スループット向上にもかかわらずレイテンシが悪化しました。プリフェッチャーの調整、ワーカースケーリング、および NUMA コアアフィニティの最適化を行っても、スループットはわずか 5 % 未満にしか改善されませんでした。FL2 の軽量メモリアクセスパターンはこのボトルネックを解消し、Turin 上で Gen 12 に比べ約 50 % 低いレイテンシ、62 % 高いスループット、および FL1 より CPU あたり 2 倍のリクエスト数を実現します。 Gen 13 が Cloudflare のグローバルエッジネットワーク全体に完全展開されたことで、同社はサーバー数を減らしつつより多くのトラフィックを処理できるようになり、SLA に縛られたレイテンシを維持したままで最大 2 倍のスループットを達成します。これにより、パフォーマンス・ペー・ワットが約 50 % 改善され、ラック単位でのスループットは約 60 % 向上します。結果として CDN とクラウド顧客双方の運用コスト削減とカーボンインパクト低減に寄与します。

**ハイパーエージェント:自己参照型自己改善エージェント** | そっか~ニュース