===
Google検索結果。
===
★コピーアイコン使用
⇒マークダウンぽいが、vscodeへ貼り付けて確かめないと、どこまできちんとレンダリングされるか不明。未確認。
Hermesのプロファイル、AIモデル、サブエージェント、スキルの学習を目的とした、実践的なハンズオンセミナーのカリキュラム案です。
------------------------------
## Hermes AI アプリケーション開発ハンズオンセミナーカリキュラム## 1. セミナー概要
本セミナーは、Hermesのコアコンポーネント（プロファイル、AIモデル、サブエージェント、スキル）を体系的に学び、高度な自律型AIアプリケーションやエージェントシステムを構築・カスタマイズできるようになるための実践的プログラムです。
* 対象者: AIエンジニア、プロンプトエンジニア、自律型エージェント開発に興味のある開発者
* 前提知識: Pythonの基礎知識、基本的なAPI連携（REST APIなど）の理解、LLM（大規模言語モデル）の利用経験
* ゴール: Hermesの各種機能を組み合わせ、特定の業務タスクを自律的に実行するカスタムエージェントを構築できる
------------------------------
## 2. タイムスケジュール（1日集中コース / 計7時間）
| 時間 | セッション内容 | 形式 |
|---|---|---|
| 09:30 - 10:00 | 開場・環境構築チェック・ガイダンス | 準備 |
| 10:00 - 11:00 | セッション1: Hermesの全体像とプロファイルの設定 | 講義＋ハンズオン |
| 11:00 - 12:00 | セッション2: AIモデルの選定と最適化 | 講義＋ハンズオン |
| 12:00 - 13:00 | 昼食休憩 | 休憩 |
| 13:00 - 14:30 | セッション3: スキル（Tools/Functions）の定義と実装 | 講義＋ハンズオン |
| 14:30 - 16:00 | セッション4: サブエージェントのオーケストレーション | 講義＋ハンズオン |
| 16:00 - 16:15 | 休憩 | 休憩 |
| 16:15 - 17:15 | 総合演習: 自律型ユースケースの構築 | ワークショップ |
| 17:15 - 17:30 | Q&A・総括・閉会 | 質疑応答 |
------------------------------
## 3. カリキュラム詳細## セッション1: Hermesの全体像とプロファイルの設定（10:00 - 11:00）
Hermesアーキテクチャの基本概念を理解し、エージェントの挙動を決定づける「プロファイル」の設計手法を学びます。
* Hermesアーキテクチャの概要: プロファイル、モデル、サブエージェント、スキルの相互関係
* プロファイル（Persona/Context）の役割: エージェントの役割、トーン＆マナー、制約事項の定義
* ハンズオン:
* システムプロンプトおよびコンテキストファイルの作成
* 特定の専門知識を持たせたカスタムプロファイルの定義と動作検証
## セッション2: AIモデルの選定と最適化（11:00 - 12:00）
タスクの複雑性やコスト、速度のトレードオフに応じた適切なAIモデルの選択と、パラメータ制御について学びます。
* 対応AIモデルの特性: 各種LLM（オープンソース系、プロプライエタリ系）の強みと弱み
* モデルパラメータのチューニング: Temperature、Top-P、Max Tokensがエージェントの出力に与える影響
* ハンズオン:
* 推論タスクとクリエイティブタスクでのモデル切り替え検証
* プロンプトの最適化（Few-Shotプロンプティングの組み込み）
## セッション3: スキル（Tools/Functions）の定義と実装（13:00 - 14:30）
エージェントが外部環境と相互作用（Web検索、API実行、データ処理など）するための「スキル」の拡張方法を学びます。
* スキルの概念: Function Calling（関数呼び出し）のメカニズム
* スキーマデザイン: LLMが誤解しない明確な引数（Parameters）と説明文（Description）の書き方
* ハンズオン:
* Pythonによるカスタムスキルの作成（例: 天気API連携、テキスト処理ツール）
* JSON Schemaを用いたスキル定義ファイルの構築
* エージェントへのスキルのインジェクションと実行テスト
## セッション4: サブエージェントのオーケストレーション（14:30 - 16:00）
複雑なタスクを分解し、複数の「サブエージェント」に役割を分担させて協調動作させるマルチエージェントシステムの構築を学びます。
* サブエージェント構造: メインエージェント（監督者）とサブエージェント（作業者）の役割分担
* ルーティングとメッセージング: エージェント間での進捗共有とタスクの受け渡し
* ハンズオン:
* 「リサーチ担当」と「ライター担当」の2つのサブエージェントを定義
* メインエージェントが指示を出し、成果物を統合するワークフローの実装
## 総合演習: 自律型ユースケースの構築（16:15 - 17:15）
本日学んだすべての要素（プロファイル、モデル、スキル、サブエージェント）を組み合わせ、実用的なアプリケーションを構築します。
* 演習テーマ（選択制）:
1. 自動カスタマーサポート: ユーザーの問い合わせを分析し、必要に応じて社内FAQ（スキル）を参照したり、テクニカル担当（サブエージェント）にエスカレーションする仕組み
2. 市場調査レポート自動生成: 指定されたテーマについてWeb検索（スキル）を行い、情報を整理（サブエージェント1）した上で、指定のトーン（プロファイル）でレポートを執筆（サブエージェント2）する仕組み
* 成果発表・コードレビュー: 作成したエージェントの動作確認とベストプラクティスの共有
------------------------------
## 4. 受講環境・事前準備
ハンズオンをスムーズに進めるため、受講者には以下の環境を事前に用意していただきます。
* PC環境: 外部インターネットに接続可能なPC（Windows / Mac / Linux）
* 開発環境: Python 3.10以上、Visual Studio Code などの任意のコードエディタ
* 必要アカウント / APIキー:
* GitHub アカウント（配布コードのクローン用）
* 利用予定のAIモデルプロバイダー（OpenAI、Anthropic等）のAPIキー（※主催者側で共通キーを用意する場合は不要）
カリキュラムの構成はいかがでしょうか？もし調整をご希望であれば、以下の点について教えていただけますと、より最適な内容にカスタマイズいたします。
* セミナーの全体の所要時間（例: 2時間、半日、2日間など）
* 受講者のターゲット層やプログラミングの習熟度
* 特に時間を割きたい重点的なテーマ（例: スキル実装を多めにしたい、など）
★★★
当該セミナーで重視しているプロファイルなどの用語について、それぞれの位置付けの違いや、複数候補の使い分け、実務での利用シーンを具体的に説明する独立した別資料をmarkdownで作成して下さい。実際に操作できる具体的な手順も記述すること。
## Hermes AI エージェント構成要素の概念・設計・実務運用ガイド
本資料は、Hermes AIアプリケーション開発における4つのコアコンポーネント（プロファイル、AIモデル、サブエージェント、スキル）の位置付けの違い、使い分け、および実務での利用シーンと具体的な操作手順をまとめた解説資料です。
------------------------------
## 1. コアコンポーネントの位置付けと相互関係
各コンポーネントは、人間の組織における「役職（人格）」「脳のスペック」「チーム編成」「使用する道具」に例えることができます。
+-----------------------------------------------------------+
| サブエージェント (チーム編成) |
| +-------------------+ +-------------------+ |
| | サブエージェントA | | サブエージェントB | |
| | [プロファイル] | 連携・ | [プロファイル] | |
| | [AIモデル] |<--------->| [AIモデル] | |
| | [スキル] | タスク | [スキル] | |
| +-------------------+ 受け渡し +-------------------+ |
+-----------------------------------------------------------+
| コンポーネント | 人間・組織への例え | 役割と位置付け |
|---|---|---|
| プロファイル | 役職・キャラクター・前提知識 | エージェントの「人格・行動規範・制約」を決定する。出力のトーン＆マナーや、遵守すべきルール、コンテキストを定義する。 |
| AIモデル | 脳のスペック・処理速度・コスト | エージェントの「思考エンジン」。タスクの難易度、予算、要求されるレスポンス速度に応じて切り替える。 |
| スキル | 職人が持つツール・ExcelやAPI | エージェントの「手足となる道具」。LLM単体では届かない外部システムへのアクセス（Web検索、データベース操作、API連携）を可能にする。 |
| サブエージェント | 専門チームのメンバー | 複雑なタスクを「分業・自律処理」するための仕組み。独立したプロファイル、モデル、スキルを持つ子エージェントを束ねる。 |
------------------------------
## 2. 複数候補の使い分け基準と実務利用シーン## ① プロファイル (Profile)
* 使い分け基準: 「ユーザーが誰か」「どのようなアウトプットを求めているか」で切り替えます。
* 実務利用シーン:
* カスタマーサポート: 「親切で丁寧なシニアサポート担当」
* 厳格なコードレビュー: 「セキュリティに厳しく、一切の妥協を許さないシニアエンジニア」
* 社内データ分析: 「経営層向けに要点を3行でまとめる財務アナリスト」
## ② AIモデル (AI Model)
* 使い分け基準: 「処理の複雑さ」「リアルタイム性」「コスト制約」で切り替えます。
* 実務利用シーン:
* 高度な推論 (例: Claude 3.5 Sonnet, GPT-4o): 要件定義、複雑なバグ修正、法務文書のチェック。
* 高速・低コスト (例: GPT-4o-mini, Claude 3.5 Haiku): ユーザーからのチャットへの一次返答、大量のログデータの分類、単純なテキストの要約。
## ③ スキル (Skill / Function)
* 使い分け基準: 「静的な思考（LLMの知識）」では解決できない「動的なデータ・外部操作」が必要な場合に付与します。
* 実務利用シーン:
* 情報収集: 最新の株価やトレンドを取得するための「Web検索・ニュース取得APIスキル」
* 業務自動化: 議事録を自動で起票するための「Notion/Slack書き込みスキル」
* データ操作: CSVから特定のグラフを描画するための「Pythonコード実行スキル」
## ④ サブエージェント (Sub-Agent)
* 使い分け基準: 1つのプロファイルやプロンプトでは、タスクの矛盾やトークン制限により精度が落ちる「複数工程の複雑な業務」で導入します。
* 実務利用シーン (インシデント対応自動化):
* メインエージェント: 顧客からのアラートを検知し、タスクを割り振るリーダー。
* サブ1 (ログ解析担当): サーバーログを収集・解析するスキルを持つ。
* サブ2 (ドキュメント作成担当): 解析結果を元に、顧客向けの不具合報告書（丁寧なプロファイル）を執筆する。
------------------------------
## 3. 実務を想定したハンズオン操作手順
ここでは、「ユーザーが指定したテーマについて最新情報を調査し、エンジニア向けに要約したテクニカルレポート（Markdown形式）を出力する」という自律型エージェントを構築する手順を解説します。
## ステップ1: 環境準備
必要なライブラリのインストールと環境変数の設定を行います。
# 必要なライブラリのインストール (Hermes互換のLangChain/LangGraphベースを想定)
pip install openai requests pydantic
# APIキーの設定 (環境に合わせて設定してください)
export OPENAI_API_KEY="your-openai-api-key"
## ステップ2: スキル（Tools）の定義
エージェントが最新情報を取得するための「Web検索スキル」をPythonで実装します。
# skills.pyimport requestsimport os
def web_search_tool(query: str) -> str:
"""
指定されたクエリでWeb検索を行い、上位の結果をテキストで返します。
最新の情報や技術スタックの調査に使用します。
"""
# ※実務ではTavily APIやSerper APIなどを利用しますが、ここではモックとして動作を記述します
print(f"[Skill Execution] Web検索を実行中: '{query}'")
# ダミーの検索結果を返す
if "Python 2026" in query:
return "Python 3.14がリリースされ、新たなJITコンパイラが標準搭載されました。パフォーマンスが大幅に向上しています。"
return "検索テーマに関する一般的なドキュメントと最新のディスカッションスレッドが見つかりました。"
# LLMに認識させるためのスキーマ定義web_search_schema = {
"name": "web_search_tool",
"description": "指定されたクエリでWeb検索を行い、最新の技術動向や情報を取得します。",
"parameters": {
"type": "object",
"properties": {
"query": {"type": "string", "description": "検索キーワード"}
},
"required": ["query"]
}
}
## ステップ3: プロファイルとモデルの定義
エージェントの人格（プロファイル）と、使用するAIモデルを定義します。
# config.py# プロファイルの定義TECHNICAL_RESEARCHER_PROFILE = """
あなたは最高峰のITテクニカルリサーチャーです。
客観的、かつエンジニアがすぐに実践できる具体的で技術的な深い情報を提供することが任務です。
【行動規範】
1. 曖昧な表現を避け、バージョン番号や具体的なメリット・デメリットを明記すること。
2. 調査には必ず「web_search_tool」スキルを使い、最新の事実に基づき思考すること。
3. 出力は必ず美しいMarkdown形式で、見出し、箇条書き、コードブロックを適切に使うこと。"""
# モデルの選定 (タスクの難易度に応じて使い分ける)MODEL_FOR_THINKING = "gpt-4o" # 複雑な調査・分析用MODEL_FOR_SUMMARY = "gpt-4o-mini" # 最終的な整形・要約用
## ステップ4: サブエージェントのオーケストレーションと実行
「リサーチ担当（サブ）」が情報を集め、「ドキュメント整形担当（メイン）」が最終的な成果物を仕上げる連携プログラムを実装します。
# main.pyimport jsonfrom openai import OpenAIfrom skills import web_search_tool, web_search_schemafrom config import TECHNICAL_RESEARCHER_PROFILE, MODEL_FOR_THINKING, MODEL_FOR_SUMMARY
client = OpenAI()
def run_research_sub_agent(theme: str) -> str:
"""サブエージェント: スキルを駆使して未加工の技術情報を徹底的にリサーチする"""
print("=== [Sub-Agent] リサーチを開始します ===")
messages = [
{"role": "system", "content": TECHNICAL_RESEARCHER_PROFILE},
{"role": "user", "content": f"「{theme}」に関する最新の技術動向を調べて、重要なファクトを抽出してください。"}
]
# 1. ツール（スキル）の呼び出し要求をモデルから取得
response = client.chat.completions.create(
model=MODEL_FOR_THINKING,
messages=messages,
tools=[{"type": "function", "function": web_search_schema}],
tool_choice={"type": "function", "function": {"name": "web_search_tool"}} # 強制的にスキルを使わせる
)
tool_call = response.choices[0].message.tool_calls[0]
tool_args = json.loads(tool_call.function.arguments)
# 2. 実際に定義したスキルを実行
search_result = web_search_tool(query=tool_args["query"])
# 3. スキルの結果をコンテキストに加えて最終的なリサーチメモを作成
messages.append(response.choices[0].message)
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"name": "web_search_tool",
"content": search_result
})
final_research = client.chat.completions.create(
model=MODEL_FOR_THINKING,
messages=messages
)
return final_research.choices[0].message.content
def run_main_agent(theme: str, raw_research_data: str):
"""メインエージェント: サブエージェントの成果物を引き継ぎ、エンジニア向けMarkdownに整形する"""
print("\n=== [Main-Agent] レポートの最終整形を開始します ===")
system_prompt = "あなたはシニアテクニカルライターです。リサーチデータを元に、読みやすい最高品質のMarkdownレポートを作成します。"
user_prompt = f"""以下の未加工のリサーチデータを元に、「{theme}」に関するテクニカルレポートを作成してください。
【リサーチデータ】
{raw_research_data}
"""
# 整形・要約タスクなので、軽量で高速なモデル(MODEL_FOR_SUMMARY)に切り替えてコストを最適化
response = client.chat.completions.create(
model=MODEL_FOR_SUMMARY,
messages=[
{"role": "system", "content": system_prompt},
{"role": "user", "content": user_prompt}
]
)
return response.choices[0].message.content
# --- 実行セッション ---if __name__ == "__main__":
target_theme = "Python 2026年の最新動向"
# ① サブエージェントがスキル（Web検索）を使って深掘り調査
raw_report = run_research_sub_agent(target_theme)
# ② メインエージェントが高速モデルに切り替えてMarkdownへ構造化
final_markdown_output = run_main_agent(target_theme, raw_report)
print("\n=== 【最終出力成果物】 ===")
print(final_markdown_output)
------------------------------
## 4. まとめ
実務でHermesエージェントを設計する際は、以下のチェックリストを意識してください。
* プロファイル: 単に「親切に」ではなく、「何を参考にし、何を出力基準とするか」の行動制約まで落とし込めているか。
* AIモデル: すべてを最高性能のモデルに任せず、ルーティングや整形などの定型タスクを軽量モデルに委ねてコスト最適化ができているか。
* スキル: LLMがパラメータを迷わずに決定できるよう、関数の説明文（Description）が直感的に書かれているか。
* サブエージェント: 1つのプロンプトが長くなりすぎて破綻していないか。工程ごとにエージェントを分離できているか。
こちらの別資料（ガイド）について、さらに深掘りしたい点があれば教えてください。
* 特定のオープンソースLLM（Llama等）を想定したモデルの使い分け基準を追加する
* スキルの定義を「社内データベース(SQL)連携」の実例に変更する
* エラーハンドリング（スキルが失敗した際のサブエージェントの挙動）の実装コードを追加する
ご要望に合わせてカスタマイズいたします。
★★★
ハンズオン操作ではコーディングが必須ですか？markdown/JSON/YAMLなど、プログラミングスキル無しで操作できる手順に変更できますか？
---
ハンズオン操作においてコーディングは必須ではありません。Hermesをはじめとする最新のAIエージェントプラットフォームでは、各種設定をMarkdown、JSON、YAMLなどの構成ファイルのみで定義し、ノーコード（またはローコード）で自律型エージェントを動かすことが可能です。
プログラミングスキルが一切不要な、構成ファイルの記述と専用CLI（またはGUIツール）の実行だけで完結する手順に修正したハンズオンガイドを以下に提示します。
------------------------------
## プログラミング不要！構成ファイルで動かす Hermes AI エージェント構築手順
本手順では、Pythonなどのコードを一切書かずに、YAMLファイルによる「プロファイル」「モデル」「サブエージェント」の定義と、JSONファイルによる「スキル」の定義だけで、自律型リサーチエージェントを起動・実行します。
## 1. 準備する構成ファイル
作業用フォルダを作成し、以下の3つのファイルをそのまま作成・配置してください。
## ① スキル定義ファイル (skills.json)
エージェントに「Web検索」という道具（スキル）を持たせるための定義書です。
{
"skills": [
{
"name": "web_search",
"description": "指定されたキーワードでインターネットを検索し、最新の技術動向やニュースを取得するツール",
"parameters": {
"type": "object",
"properties": {
"query": {
"type": "string",
"description": "検索キーワード（例: 'Python 最新機能'）"
}
},
"required": ["query"]
}
}
]
}
## ② エージェント構成ファイル (agent_config.yaml)
エージェントの「プロファイル（人格）」、「使用するAIモデル」、「連携するサブエージェントとスキル」を一元管理する設計図です。
version: "1.0"
# ==========================================# 1. メインエージェント (ディレクター役)# ==========================================main_agent:
name: "tech_editor"
model: "gpt-4o-mini" # 整形・要約タスクなので高速・低コストなモデルを選択
profile: |
あなたは優秀なITテクニカルエディターです。
サブエージェントから提出された生のリサーチデータを元に、
一般のビジネスパーソンでも理解できる美しいMarkdown形式のレポートを作成してください。
# ==========================================# 2. サブエージェント (実務リサーチャー役)# ==========================================sub_agents:
- name: "deep_researcher"
model: "gpt-4o" # 複雑な推論と調査を行うため、最高性能のモデルを選択
profile: |
あなたは最高峰のITテクニカルリサーチャーです。
与えられたテーマについて「web_search」スキルを必ず使用し、
事実（バージョン、リリース年、具体的なメリット）に基づいた正確なデータを収集してください。 skills_ref: "skills.json" # 上記で作成したJSONファイルを読み込む
## ③ 実行指示ファイル (task.md)
エージェントに何をさせたいかを指示する、Markdown形式のタスク指示書です。
# タスク要求書## 依頼内容「Pythonの最新動向（2026年現在）」について調査し、技術レポートを作成してください。
## 出力要件- 重要なファクト（技術的な変更点やメリット）を最低3つ含めること- 構成は「概要」「主要なアップデート」「今後の展望」の3章構成とすること
------------------------------
## 2. ノーコード操作・実行手順
ファイルを配置したら、以下のステップに沿ってエージェントを実行します。
## ステップ1: 環境変数の設定 (APIキーの登録)
ターミナル（またはコマンドプロンプト）を開き、AIを動かすためのAPIキーを設定します。
# Mac / Linux の場合
export OPENAI_API_KEY="your-openai-api-key"
# Windows (Command Prompt) の場合set OPENAI_API_KEY="your-openai-api-key"
## ステップ2: エージェントの起動コマンド実行
HermesのCLI（コマンドラインツール）を使い、先ほど作成したYAMLとMarkdownを読み込ませて実行します。※コーディングをせずにコマンド1発でシステムが起動します。
hermes run --config agent_config.yaml --task task.md --output report.md
------------------------------
## 3. 実行時の内部挙動（何が起きているか）
コマンドを実行すると、システムは記述された構成ファイル（YAML/JSON）を読み込み、プログラミングなしで以下の自律的な連携（オーケストレーション）を自動実行します。
1. メインエージェント(tech_editor)がtask.mdを読み込み、「調査が必要だ」と判断する。
2. メインからサブエージェント(deep_researcher)へ「Pythonの最新動向を調査せよ」とタスクが引き継がれる。
3. サブエージェントは自身のプロファイルに従い、skills.jsonに定義されたweb_searchを自動的に呼び出す。
4. 検索結果を受け取ったサブエージェントが、未加工の調査ログをメインエージェントに返却する。
5. メインエージェントが、自身のプロファイル（エディター人格）と低コストモデル(gpt-4o-mini)を活用し、読みやすいMarkdown形式に整形してreport.mdとして保存する。
プログラミング不要のYAML/JSONスタイルに変更したことで、セミナーのハードルを大幅に下げることができます。
もしよろしければ、次のステップとして以下はいかがでしょうか？
* この手順を前提とした、セミナー当日の受講者向け「トラブルシューティング集」を作成する
* 検索スキルの代わりに、「社内FAQ（テキストファイル）を読み込むスキル」のJSON定義例を追加する
ご希望の進め方について教えてください。
★
★
★
さらに多くの候補を使い分ける際の各ファイルの保存場所/フォルダ階層について、ベストプラクティスを提示して下さい。
利用シーンに応じて多数のプロファイルやスキル、モデル定義を柔軟に使い分ける（切り替える）ための、ファイル保存場所およびディレクトリ構成のベストプラクティスです。
Hermes AI エージェント構成管理：フォルダ構成のベストプラクティス
多くの候補を整理・再利用しやすくするため、役割ごとにディレクトリを分離する「モジュール型構成」を採用します。
hermes-project/
├── .env # APIキーや環境変数の管理
├── task.md # 実行したいタスクの指示書
├── main.yaml # 各コンポーネントを結びつける統括定義ファイル
│
├── profiles/ # 【人格・プロファイル】の格納場所
│ ├── common/ # 共通のベース制約など
│ │ └── base_rules.txt
│ ├── business/ # ビジネス・ライティング系
│ │ ├── editor.txt
│ │ └── support_agent.txt
│ └── technical/ # エンジニア・技術系
│ ├── researcher.txt
│ └── code_reviewer.txt
│
├── skills/ # 【道具・スキル】（JSON Schema）の格納場所
│ ├── data_tools.json # データ処理・分析系スキル
│ ├── communication.json # Slack/Notion連携系スキル
│ └── search_tools.json # Web検索・リサーチ系スキル
│
└── models/ # 【AIモデル・パラメータ】の定義ファイル
├── high_reasoning.yaml # 高度な推論用（gpt-4o, claude-3-5-sonnet等）
├── low_cost.yaml # 高速・低コスト用（gpt-4o-mini, haiku等）
└── local_oss.yaml # 社内オンプレ用（Llama等）
各ディレクトリの役割と使い分けのポイント
1. profiles/（プロファイルの階層化）
プロファイルは「テキストファイル（.txt）」として独立させ、業界や職種、トーンごとにフォルダを分けて管理します。
メリット: プロファイル文が長くなってもYAMLファイルが肥大化せず、エージェントごとに使い回しが容易になります。
2. skills/（機能ごとのファイル分割）
すべてのスキルを1つのJSONにまとめず、「検索系」「データ操作系」「通知系」のようにカテゴリー単位でファイル分割します。
メリット: エージェントに必要なスキル群を、ファイル単位（例: リサーチャーには search_tools.jsonだけを読み込ませる）でセキュリーかつ最小限に付与できます。
3. models/（プロバイダや特性ごとの設定分離）
モデル名や temperature などのパラメータをプロファイルやタスクから完全に切り離します。
メリット: 「予算を抑えたいから、今回はモデル定義を high_reasoning.yaml から low_cost.yaml に差し替えて実行しよう」といった切り替えが、メインの設定ファイルを1行書き換えるだけで完結します。
この構成における main.yaml（統括ファイル）の記述例
上記のフォルダ構成に則り、各ファイルを相対パスで指定して組み合わせることで、1つのシステムを構築します。
version: "1.0"
# モデル定義ファイルのインポート
import_models:
- "models/high_reasoning.yaml"
- "models/low_cost.yaml"
# メインエージェントの設定
main_agent:
name: "chief_editor"
model_ref: "models/low_cost.yaml" # 高速・低コストモデルを指定
profile_path: "profiles/business/editor.txt" # エディタープロファイルを読み込み
# サブエージェントの設定
sub_agents:
- name: "tech_investigator"
model_ref: "models/high_reasoning.yaml" # 高性能モデルを指定
profile_path: "profiles/technical/researcher.txt" # リサーチャープロファイルを読み込み
skills_path: "skills/search_tools.json" # 検索スキルだけを付与
このベストプラクティスに沿って、セミナー内で受講者が迷わないための「設定切り替え用のクイックリファレンス（対応表）」や、「複数環境（本番・テスト環境）の切り替え手順」を提示することも可能です。次のステップとしてどちらに進めますか？
===
===
EOF
