【要約】MiroFishとGeminiとEAの役割を分けて考えた話 [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
開発者がAIを自動売買に導入する際、AIに分析から判断までを一任する設計に陥る問題がある。AIの出力には揺れがあり、APIの遅延や失敗も避けられないため、そのまま実行判断に使うと運用が極めて危険になる。具体的には、以下の課題に直面する。
- ・AIの出力の揺れやAPI制限が、直接的な売買判断に悪影響を及ぼす。
- ・障害発生時に、AIの分析ミスか、パース失敗か、EAの制約か判別できない。
- ・高頻度な判断が必要な場面で、AIの処理遅延がシステム全体のボトルネックとなる。
// Approach
AIを単一の判断器とせず、役割を分担させた多層的なアーキテクチャを採用する。AIを「判断材料を作る層」と定義し、実行の最終決定権をEAに持たせる設計を行う。具体的な手法は以下の通りである。
- ・MiroFishを「重い外部分析層」とし、シナリオ候補や文脈の整理を担当させる。
- ・Geminiを「要約・検証層」とし、情報の構造化（JSON化）や異常検知を行う。
- ・EAを「実行境界層」とし、機械的な制約に基づく最終的な許可・拒否を制御する。
- ・失敗時には「NEUTRAL（判断不能）」として扱うフォールバック設計を導入する。
- ・全ての入出力をArtifactとして保存し、後からの原因究明を可能にする。
// Result
役割を分離することで、AIの不確実性を許容しつつ、安全な自動売買運用が可能になる。設計を分けることで、問題発生時の切り分けと改善サイクルが劇的に向上する。具体的な成果は以下の通りである。
- ・障害時に「分析粒度」「JSON制約」「EAの拒否条件」のどこを直すべきか明確になる。
- ・AIの出力を直接実行せず、EA側の制約を通過させることで、予期せぬ挙動を抑制できる。
- ・ログとArtifactの紐付けにより、高度なデバッグと継続的な精度向上が実現する。
Senior Engineer Insight
> AIの非決定性をシステム設計でいかに封じ込めるかという、極めて実戦的なアプローチだ。AIを「賢い判断器」ではなく「不完全な情報生成器」と定義し、EAを「厳格なガードレール」として配置する設計は、高信頼性が求められる現場の定石と言える。特に、Artifactによるトレーサビリティの確保は、ブラックボックス化しやすいAI運用のデバッグコストを劇的に下げる。ただし、層が増えることによるレイテンシ増大は、トレード戦略とのトレードオフとして慎重に評価すべきだ。