Practical Application
5 minutes 分読み取り
Kimi K2 Technical Team
Kimi-K2の実践：エージェント開発とアプリケーションシナリオの探求
Kimi-K2の実践：エージェント開発とアプリケーションシナリオの探求
はじめに
人工知能技術の急速な発展に伴い、エージェントはAIアプリケーションの重要な方向性となっています。Kimi-K2は、兆パラメータのMoEアーキテクチャと専門的なエージェント最適化を備え、開発者に効率的なエージェントアプリケーションを構築するための強力な基盤を提供します。本記事では、Kimi-K2のコア機能を活用して、実際のケーススタディを通じて実用的なエージェントアプリケーションを開発する方法を示します。
Kimi-K2のエージェントの利点
1. 強力なツール呼び出し機能
Kimi-K2は、設計時にツール呼び出し機能を特に最適化しており、複雑なツールの説明を理解し、正確に呼び出すことができます：
import json
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
# ツール関数の定義
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "指定された都市の天気情報を取得する",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "都市名"
}
},
"required": ["city"]
}
}
},
{
"type": "function",
"function": {
"name": "calculate",
"description": "数学的計算を行う",
"parameters": {
"type": "object",
"properties": {
"expression": {
"type": "string",
"description": "数学的表現"
}
},
"required": ["expression"]
}
}
}
]
# エージェントの会話例
def chat_with_tools(model, tokenizer, user_input, tools):
messages = [
{"role": "system", "content": "あなたは、ユーザーが問題を解決するのを助けるためにツールを呼び出すことができるインテリジェントなアシスタントです。"},
{"role": "user", "content": user_input}
]
# ツールの説明を追加
tool_prompt = f"利用可能なツール: {json.dumps(tools, ensure_ascii=False, indent=2)}"
messages[0]["content"] += f"\n\n{tool_prompt}"
# 応答を生成
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(text, return_tensors="pt")
with torch.no_grad():
outputs = model.generate(
**inputs,
max_new_tokens=512,
temperature=0.7,
do_sample=True
)
response = tokenizer.decode(outputs[0][inputs.input_ids.shape[-1]:], skip_special_tokens=True)
return response
# 使用例
user_query = "今日の北京の天気はどうですか？雨の確率が70％を超えた場合、タクシー料金がどれくらい高くなるか計算してください（通常15元、雨の日は30％の値上げ）"
response = chat_with_tools(model, tokenizer, user_query, tools)
2. 超長コンテキストメモリ
128Kのコンテキスト長により、Kimi-K2は長期的な会話履歴を維持できます：
class LongContextAgent:
def __init__(self, model, tokenizer, max_context_length=128000):
self.model = model
self.tokenizer = tokenizer
self.conversation_history = []
self.max_context_length = max_context_length
def add_message(self, role, content):
self.conversation_history.append({"role": role, "content": content})
self._trim_context()
def _trim_context(self):
# コンテキスト長の制限内に収める
total_tokens = 0
trimmed_history = []
for message in reversed(self.conversation_history):
message_tokens = len(self.tokenizer.encode(message["content"]))
if total_tokens + message_tokens > self.max_context_length:
break
trimmed_history.insert(0, message)
total_tokens += message_tokens
self.conversation_history = trimmed_history
def generate_response(self, user_input):
self.add_message("user", user_input)
# 完全な会話履歴を構築
text = self.tokenizer.apply_chat_template(
self.conversation_history,
tokenize=False,
add_generation_prompt=True
)
inputs = self.tokenizer(text, return_tensors="pt")
with torch.no_grad():
outputs = self.model.generate(
**inputs,
max_new_tokens=512,
temperature=0.6,
do_sample=True
)
response = self.tokenizer.decode(
outputs[0][inputs.input_ids.shape[-1]:],
skip_special_tokens=True
)
self.add_message("assistant", response)
return response
3. マルチエキスパート協力の利点
MoEアーキテクチャにより、異なるタイプのタスクが最も適切な専門家を呼び出すことができます：
class MultiExpertAgent:
def __init__(self, model, tokenizer):
self.model = model
self.tokenizer = tokenizer
self.task_types = {
"coding": "プログラミングおよびコード関連",
"math": "数学的計算および推論",
"writing": "テキストの作成および編集",
"analysis": "データ分析および要約"
}
def classify_task(self, user_input):
"""シンプルなタスク分類ロジック"""
if any(keyword in user_input.lower() for keyword in ["code", "programming", "program", "algorithm"]):
return "coding"
elif any(keyword in user_input.lower() for keyword in ["calculate", "math", "formula", "reasoning"]):
return "math"
elif any(keyword in user_input.lower() for keyword in ["write", "article", "summary", "report"]):
return "writing"
elif any(keyword in user_input.lower() for keyword in ["analyze", "statistics", "data", "chart"]):
return "analysis"
else:
return "general"
def generate_specialized_response(self, user_input, task_type):
system_prompts = {
"coding": "あなたは、複数のプログラミング言語とアルゴリズムに精通したプロのプログラミングアシスタントです。",
"math": "あなたは、複雑な数学的問題と論理的推論を解決するのが得意な数学の専門家です。",
"writing": "あなたは、さまざまなタイプのテキストを作成および編集できるプロのライティングアシスタントです。",
"analysis": "あなたは、データから洞察とトレンドを抽出するのが得意なデータ分析の専門家です。",
"general": "あなたは、さまざまな種類の問題を処理できる多才なAIアシスタントです。"
}
messages = [
{"role": "system", "content": system_prompts.get(task_type, system_prompts["general"])},
{"role": "user", "content": user_input}
]
# 応答生成ロジック...
return self._generate_response(messages)
実世界のアプリケーションケース
ケース1：インテリジェントカスタマーサービスアシスタント
class CustomerServiceAgent:
def __init__(self, model, tokenizer):
self.model = model
self.tokenizer = tokenizer
self.knowledge_base = {
"refund_policy": "7日間の無理由返品をサポート、製品は良好な状態を保つ必要があります...",
"shipping_info": "通常1-3営業日以内に配達、翌日配達も可能...",
"product_warranty": "電子製品には1年の保証が付いており、3年まで延長可能..."
}
self.conversation_state = {}
def handle_query(self, user_id, query):
# 関連情報を取得
relevant_info = self.search_knowledge(query)
# コンテキストを構築
context = f"関連情報: {relevant_info}\nユーザーの質問: {query}"
messages = [
{"role": "system", "content": "あなたは、ユーザーの質問に対して丁寧で正確な回答を提供するプロのカスタマーサービスアシスタントです。"},
{"role": "user", "content": context}
]
response = self._generate_response(messages)
# 会話状態を更新
self.conversation_state[user_id] = {
"last_query": query,
"last_response": response,
"context": relevant_info
}
return response
def search_knowledge(self, query):
# シンプルな知識検索ロジック
for key, value in self.knowledge_base.items():
if any(keyword in query for keyword in key.split()):
return value
return "関連情報が見つかりませんでした。人間のカスタマーサービスに連絡してください。"
ケース2：コードレビューアシスタント
class CodeReviewAgent:
def __init__(self, model, tokenizer):
self.model = model
self.tokenizer = tokenizer
self.review_criteria = [
"コードロジックの正確性",
"パフォーマンス最適化の提案",
"セキュリティチェック",
"コードスタイルと基準",
"エラーハンドリングメカニズム"
]
def review_code(self, code, language="python"):
# レビュー基準テキストを構築
criteria_text = "\n".join([f"- {criterion}" for criterion in self.review_criteria])
# レビュープロンプトを作成
review_prompt = f"{language}コードの包括的なレビューを行ってください"
messages = [
{"role": "system", "content": "あなたは、コードの問題を特定し、専門的な提案を提供できるシニアコードレビューの専門家です。"},
{"role": "user", "content": review_prompt}
]
return self._generate_response(messages)
def suggest_improvements(self, code, issues):
# 改善提案のプロンプトを作成
improvement_prompt = "コードレビューの問題に基づいて、改善されたコードを提供してください"
messages = [
{"role": "system", "content": "改善されたコードを提供し、修正の理由を説明してください。"},
{"role": "user", "content": improvement_prompt}
]
return self._generate_response(messages)
ケース3：教育チュータリングアシスタント
class EducationAgent:
def __init__(self, model, tokenizer):
self.model = model
self.tokenizer = tokenizer
self.student_progress = {}
def adaptive_tutoring(self, student_id, subject, question, difficulty="medium"):
# 学生の過去のパフォーマンスを取得
progress = self.student_progress.get(student_id, {"correct": 0, "total": 0})
success_rate = progress["correct"] / max(progress["total"], 1)
# 成功率に基づいて教育戦略を調整
if success_rate > 0.8:
teaching_style = "より高い難易度のコンテンツに挑戦できる、挑戦的な問題を提供"
elif success_rate > 0.6:
teaching_style = "現在の難易度を維持し、詳細な説明を提供"
else:
teaching_style = "より基本的な説明が必要、ステップバイステップのガイダンス"
prompt = f"""
学生の質問: {question}
科目: {subject}
難易度: {difficulty}
教育戦略: {teaching_style}
学生の成功率: {success_rate:.2%}
プロの教師として質問に答えてください。適切な教育方法を使用してください。
"""
messages = [
{"role": "system", "content": "あなたは、個々のニーズに合わせた教育を行い、学生のレベルに応じて教育方法を調整する経験豊富な教師です。"},
{"role": "user", "content": prompt}
]
response = self._generate_response(messages)
return response
def generate_practice_problems(self, subject, topic, difficulty, count=3):
# 練習問題のプロンプトを作成
prompt = f"{subject}の{topic}に関する練習問題を生成してください"
messages = [
{"role": "system", "content": "あなたは、高品質な練習問題を作成できるプロの問題デザイナーです。"},
{"role": "user", "content": prompt}
]
return self._generate_response(messages)
パフォーマンス最適化のヒント
1. インテリジェントキャッシング戦略
import hashlib
import pickle
from functools import lru_cache
class CachedAgent:
def __init__(self, model, tokenizer, cache_size=1000):
self.model = model
self.tokenizer = tokenizer
self.response_cache = {}
self.cache_size = cache_size
def _hash_input(self, messages):
# 入力のハッシュを生成
content = str(messages)
return hashlib.md5(content.encode()).hexdigest()
def generate_with_cache(self, messages):
cache_key = self._hash_input(messages)
if cache_key in self.response_cache:
return self.response_cache[cache_key]
response = self._generate_response(messages)
# キャッシュ管理
if len(self.response_cache) >= self.cache_size:
# 最も古いキャッシュエントリを削除
oldest_key = next(iter(self.response_cache))
del self.response_cache[oldest_key]
self.response_cache[cache_key] = response
return response
2. 非同期処理
import asyncio
import aiohttp
class AsyncAgent:
def __init__(self, model, tokenizer):
self.model = model
self.tokenizer = tokenizer
self.session = None
async def process_multiple_queries(self, queries):
tasks = []
for query in queries:
task = asyncio.create_task(self.process_single_query(query))
tasks.append(task)
results = await asyncio.gather(*tasks)
return results
async def process_single_query(self, query):
# 非同期処理をシミュレート
await asyncio.sleep(0.1) # ブロッキングを避ける
messages = [
{"role": "user", "content": query}
]
return self._generate_response(messages)
async def external_api_call(self, url, data):
if not self.session:
self.session = aiohttp.ClientSession()
async with self.session.post(url, json=data) as response:
return await response.json()
ベストプラクティスの推奨
1. 会話状態管理
from enum import Enum
from dataclasses import dataclass
from typing import Dict, List, Optional
class ConversationState(Enum):
GREETING = "greeting"
COLLECTING_INFO = "collecting_info"
PROCESSING = "processing"
CLARIFYING = "clarifying"
COMPLETED = "completed"
@dataclass
class UserContext:
user_id: str
state: ConversationState
collected_info: Dict
preferences: Dict
history: List[Dict]
class StatefulAgent:
def __init__(self, model, tokenizer):
self.model = model
self.tokenizer = tokenizer
self.user_contexts = {}
def get_or_create_context(self, user_id):
if user_id not in self.user_contexts:
self.user_contexts[user_id] = UserContext(
user_id=user_id,
state=ConversationState.GREETING,
collected_info={},
preferences={},
history=[]
)
return self.user_contexts[user_id]
def handle_message(self, user_id, message):
context = self.get_or_create_context(user_id)
# 現在の状態に基づいてメッセージを処理
if context.state == ConversationState.GREETING:
return self.handle_greeting(context, message)
elif context.state == ConversationState.COLLECTING_INFO:
return self.handle_info_collection(context, message)
# 他の状態処理...
return self.generate_default_response(context, message)
2. エラーハンドリングと優雅な劣化
class RobustAgent:
def __init__(self, model, tokenizer):
self.model = model
self.tokenizer = tokenizer
self.fallback_responses = {
"generation_failed": "申し訳ありませんが、現在応答を生成できません。後でもう一度お試しください。",
"context_too_long": "会話履歴が長すぎます。新たに始めましょう。",
"tool_call_failed": "ツール呼び出しに失敗しました。代替手段を使用して回答します。"
}
def safe_generate(self, messages, max_retries=3):
for attempt in range(max_retries):
try:
return self._generate_response(messages)
except torch.cuda.OutOfMemoryError:
torch.cuda.empty_cache()
# 入力長を減少させる
messages = self._trim_messages(messages)
except Exception as e:
if attempt == max_retries - 1:
return self.fallback_responses["generation_failed"]
continue
return self.fallback_responses["generation_failed"]
def _trim_messages(self, messages, max_length=4096):
# システムメッセージと最近のユーザーメッセージを保持
system_msgs = [msg for msg in messages if msg["role"] == "system"]
user_msgs = [msg for msg in messages if msg["role"] == "user"]
if user_msgs:
return system_msgs + [user_msgs[-1]]
return system_msgs
デプロイメントとモニタリング
1. パフォーマンスモニタリング
import time
import logging
from dataclasses import dataclass
from typing import Dict
@dataclass
class AgentMetrics:
total_requests: int = 0
successful_requests: int = 0
failed_requests: int = 0
average_response_time: float = 0.0
peak_memory_usage: float = 0.0
class MonitoredAgent:
def __init__(self, model, tokenizer):
self.model = model
self.tokenizer = tokenizer
self.metrics = AgentMetrics()
self.logger = logging.getLogger(__name__)
def generate_with_monitoring(self, messages):
start_time = time.time()
self.metrics.total_requests += 1
try:
response = self._generate_response(messages)
self.metrics.successful_requests += 1
# 平均応答時間を更新
elapsed = time.time() - start_time
self.metrics.average_response_time = (
(self.metrics.average_response_time * (self.metrics.successful_requests - 1) + elapsed)
/ self.metrics.successful_requests
)
self.logger.info(f"リクエストは{elapsed:.2f}sで完了しました")
return response
except Exception as e:
self.metrics.failed_requests += 1
self.logger.error(f"リクエストに失敗しました: {str(e)}")
raise
def get_metrics_summary(self):
success_rate = (
self.metrics.successful_requests / max(self.metrics.total_requests, 1) * 100
)
return {
"total_requests": self.metrics.total_requests,
"success_rate": f"{success_rate:.2f}%",
"average_response_time": f"{self.metrics.average_response_time:.2f}s",
"failure_count": self.metrics.failed_requests
}
結論
Kimi-K2は、エージェント開発のための強力な技術基盤を提供します。そのMoEアーキテクチャの専門家の特化機能、超長コンテキストメモリ、優れたツール呼び出し機能により、開発者は非常にインテリジェントで実用的なアプリケーションを構築できます。
本記事のケースとベストプラクティスを通じて、開発者は以下を実現できます：
- ツール呼び出し機能を活用して機能豊富なエージェントを構築する
- 長いコンテキストメモリを通じて継続的な対話を実現する
- マルチエキスパート協力を使用して複雑なタスクを処理する
- システムの安定性と信頼性を確保するためのベストプラクティスを採用する
技術が進化し続ける中で、Kimi-K2はエージェントアプリケーションの革新を推進し、さまざまな業界にさらなる可能性をもたらすでしょう。