ShipSF Workshops - V、ゼロからの構築

하이라이트

• Vercelの社内スーパーエージェント「V」は、営業や財務、インフラなど全社的であらゆるチームの業務をSlackや専用Webアプリで効率化している。

• データチームのエージェント「D0」は、直近の8週間でNext.jsのNPMパッケージが4億5000万ダウンロードを記録した事実を自然言語の質問に対して自動分析・提示する。

• Vは複数の専門エージェントやツール（Notion等）の処理を統合し、分析データの取得からインタラクティブなチャート作成、レポート保存までのマルチステップワークフローを自動化する。

• ユーザーのフィードバックとインスペクト機能のログを活用し、LLM審査員が自動的に評価ケースをドラフトしてルーティングや回答品質の改善に繋えている。

• プライベートチャンネルやDMなどの機密性の高い環境では、トレースのコンテンツポリシーによって入出力データが自動除外され、情報漏洩を防いでいる。

타임라인

1. 00:00 - 01:21

   Vercelの社内スーパーエージェント「V」と基盤フレームワーク「Eve」の概要

   Vercelのソフトウェアエンジニアであるバネッサが、社内スーパーエージェントVの開発と活用実態について解説する。Vはエンジニアだけでなく非エンジニアの各チームでも広く使われており、日常的な業務や定型的なタスクを自律的に処理する。すべての機能の基盤となるのはEveというフレームワークであり、Vはその上で専門知識を統合するフロントエンドとして動作している。

   • Vercelでは、営業やサポート、財務、インフラなど全社的な日常業務を効率化するために社内スーパーエージェント「V」が運用されている。
   • VはSlackや専用のWebアプリを通じて利用され、定期ワークフローによって人々がオンラインになる前に要約やレポートが自動投稿される。
   • すべての土台には「Eve」というフレームワークが存在し、Vはその上で構築されたアプリケーションとして機能している。
2. 01:21 - 09:21

   データ専門エージェント「D0」による自然言語での分析自動化

   各チームが持つ専門知識を誰もが使えるエージェントへ変換するプロセスとして、データチームのエージェントD0が紹介される。Slack上のプライベートチャンネルで行われたデモでは、直近8週間のNext.jsのインストール数とダウンロードの急増に関する解釈が示された。Vがすべてのドメインの専門知識を直接抱え込むのではなく、各チームがリモートエージェントとして機能を所有・改善する設計により、責任分界点が明確化されている。

   • データチームが構築した専門エージェント「D0」により、自然言語によるビジネス上の質問に対して直接分析結果が返される。
   • D0に対するデモでは、直近完了した8週間におけるNext.jsのNPMパッケージ週次インストール数が4億5000万ダウンロードであるという具体的な数値と解釈が提示された。
   • 各専門チームが自前のサービスとしてエージェントを運用し、Eveのリモートエージェントプロトコル経由でVから呼び出すことで、明確なオーナーシップと独立したリリースサイクルが維持されている。
3. 09:21 - 15:30

   Eveフレームワークによるマルチステップワークフローの統合

   Eveは単なるチャットを超えて、エージェント周囲のアプリケーション構築やタスクの追跡、承認処理を支える完全な実行フレームワークである。単なるデータの回答に留まらず、D0で分析したデータを基にV0でグラフ化し、さらにNotionへレポートとして保存するという一連の複合タスクが自動で調整される。これにより、一度構築された各チームの機能が別のワークフローでも相乗的に再利用される仕組みが構築されている。

   • Eveフレームワークは、セッション、タスク、接続、アイデンティティ、すべての権限などのプリミティブを提供して実行プロセス全体をサポートする。
   • Vは、D0によるデータ分析、V0（MCP経由）によるインタラクティブなチャート作成、Notionツールによるドキュメント保存を順番に連携させるマルチステップのワークフローを実行する。
   • デモでは、Claude Opus 5.5 fastをバックエンドに利用し、生成されたダッシュボードとレポートのリンクがSlack上にシームレスに出力される様子が示された。
4. 15:30 - 29:53

   アーキテクチャの拡張と評価・オブザーバビリティの設計

   複数のステップを経るワークフローでは、個々のステップが成功しても途中で前提条件や解釈が抜け落ちるリスクがあるため、エンドツーエンドの評価が極めて重要となる。ユーザーからの低評価フィードバックを契機にLLMが評価ケースを自動生成し、プロンプトやルーティングの改善に役立てている。さらに、サービスアカウントのアクセス権限と配信先オーディエンスを厳密に分離し、トレースのコンテンツ制限をリモートエージェントへ転送することで機密情報の保護を徹底している。

   • Vのシステムは、SlackやWebアプリのフロントエンドから、リモートエージェント、ローカル機能、直接的なツール接続、拡張機能までを統合している。
   • 回答に対するユーザーの「良い」「悪い」のフィードバックボタンが評価プロセスに結びつけられており、LLM審査員が自動的に評価ケースをドラフトしてレビューキューに送る。
   • プライベートチャンネルやDMなどの機密性の高い環境におけるトレースでは、コンテンツポリシーにより入出力データが自動除外され、リモートエージェント間でも引き継がれる。
5. 29:53 - 43:01

   社内エージェント構築の実践的ステップとQ&Aセッション

   エージェント開発のベストプラクティスとして、まずは反復的な質問やドキュメントレビューなど明確な結果を出せる小さな領域から逆算して構築することが提案される。Q&Aセッションでは、V環境外での利用可能性や、エージェント同士が自律的に連携するA to A機能、データの鮮度保持、評価の信頼性担保について詳細な質疑応答が行われた。

   • 自社でエージェントを構築する際は、何でもできる巨大なモデルを目指すのではなく、頻繁に繰り返されるリクエストや週報などの小規模なワークフローから始めることが推奨される。
   • データの陳腐化を防ぐため、データウェアハウスの常時更新やwebfetchによる外部データの直接取得が活用されている。
   • Q&Aセッションでは、マルチエージェント間のルーティング基準や、Slackチャンネルでの議論の脱線を防ぐためのメンション活用法について議論された。