Update all translated document pages (#2312)

Author: github-actions[bot]

docs/ja/agents.md

@@ -4,16 +4,16 @@ search:
 ---
 # エージェント
 
-エージェントはアプリの中核となる構成要素です。エージェントは、instructions とツールで構成された 大規模言語モデル ( LLM ) です。
+エージェントはアプリの中心となる構成要素です。エージェントは、指示とツールで構成された大規模言語モデル（ LLM ）です。
 
-## 基本設定
+## 基本構成
 
 エージェントで最も一般的に設定するプロパティは次のとおりです。
 
 - `name`: エージェントを識別する必須の文字列です。
-- `instructions`: developer message または system prompt とも呼ばれます。
-- `model`: 使用する LLM と、temperature、top_p などのモデル調整パラメーターを設定するオプションの `model_settings`。
-- `tools`: エージェントがタスクを達成するために使用できるツールです。
+- `instructions`: developer message または システムプロンプト とも呼ばれます。
+- `model`: 使用する LLM と、temperature、top_p などのモデル調整用パラメーターを構成する任意の `model_settings`。
+- `tools`: エージェントがタスク達成のために使用できるツールです。
 
 ```python
 from agents import Agent, ModelSettings, function_tool
@@ -33,7 +33,7 @@ agent = Agent(
 
 ## コンテキスト
 
-エージェントはその `context` 型に対してジェネリックです。コンテキストは依存性注入のためのツールで、あなたが作成して `Runner.run()` に渡すオブジェクトです。これはすべてのエージェント、ツール、ハンドオフなどに渡され、エージェント実行のための依存関係と状態の入れ物として機能します。コンテキストには任意の Python オブジェクトを提供できます。
+エージェントはその `context` 型に対してジェネリックです。コンテキストは依存性注入のためのツールで、あなたが作成して `Runner.run()` に渡すオブジェクトです。これはあらゆるエージェント、ツール、ハンドオフなどに渡され、エージェント実行時の依存関係や状態の入れ物として機能します。コンテキストには任意の Python オブジェクトを提供できます。
 
 ```python
 @dataclass
@@ -52,7 +52,7 @@ agent = Agent[UserContext](
 
 ## 出力タイプ
 
-デフォルトでは、エージェントはプレーンテキスト (すなわち `str`) を出力します。特定の型の出力をエージェントに生成させたい場合は、`output_type` パラメーターを使用できます。一般的な選択肢は [Pydantic](https://docs.pydantic.dev/) オブジェクトですが、Pydantic の [TypeAdapter](https://docs.pydantic.dev/latest/api/type_adapter/) でラップできる任意の型をサポートします。例えば dataclasses、リスト、TypedDict などです。
+デフォルトでは、エージェントはプレーンテキスト（つまり `str`）の出力を生成します。特定のタイプの出力を生成させたい場合は、`output_type` パラメーターを使用できます。一般的には [Pydantic](https://docs.pydantic.dev/) オブジェクトを使用しますが、Pydantic の [TypeAdapter](https://docs.pydantic.dev/latest/api/type_adapter/) でラップできる任意の型（dataclasses、lists、TypedDict など）に対応しています。
 
 ```python
 from pydantic import BaseModel
@@ -73,20 +73,20 @@ agent = Agent(
 
 !!! note
 
-    `output_type` を渡すと、モデルは通常のプレーンテキスト応答ではなく [structured outputs](https://platform.openai.com/docs/guides/structured-outputs) を使用するようになります。
+    `output_type` を渡すと、通常のプレーンテキスト応答の代わりに [structured outputs](https://platform.openai.com/docs/guides/structured-outputs) を使うようモデルに指示します。
 
 ## マルチ エージェント システムの設計パターン
 
-マルチ エージェント システムの設計には多くの方法がありますが、一般的に幅広く適用できるパターンとして次の 2 つがあります。
+マルチ エージェント システムの設計方法は多数ありますが、一般的に広く適用できるパターンを 2 つ紹介します。
 
-1. マネージャー（ツールとしての エージェント）: 中央のマネージャー/オーケストレーターが、専門のサブ エージェントをツールとして呼び出し、会話の制御を保持します。
-2. ハンドオフ: 対等なエージェント同士が、会話を引き継ぐ専門エージェントに制御をハンドオフします。これは分散型です。
+1. マネージャー（ツールとしての エージェント）: 中央のマネージャー／オーケストレーターが、特化したサブ エージェントをツールとして呼び出し、会話の制御を保持します。
+2. ハンドオフ: ピアのエージェントが、会話を引き継ぐ特化エージェントに制御をハンドオフします。これは分散型です。
 
-詳細は [エージェント構築の実践ガイド](https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf) をご覧ください。
+詳細は [エージェント構築の実践ガイド](https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf) を参照してください。
 
 ### マネージャー（ツールとしての エージェント）
 
-`customer_facing_agent` がすべてのユーザー対応を行い、ツールとして公開された専門サブ エージェントを呼び出します。詳細は [tools](tools.md#agents-as-tools) ドキュメントをご覧ください。
+`customer_facing_agent` はすべての ユーザー との対話を処理し、ツールとして公開された特化サブ エージェントを呼び出します。詳しくは [ツール](tools.md#agents-as-tools) のドキュメントを参照してください。
 
 ```python
 from agents import Agent
@@ -115,7 +115,7 @@ customer_facing_agent = Agent(
 
 ### ハンドオフ
 
-ハンドオフは、エージェントが委任できるサブ エージェントです。ハンドオフが発生すると、委任先のエージェントが会話履歴を受け取り、会話を引き継ぎます。このパターンにより、単一のタスクに優れたモジュール型・専門特化のエージェントが可能になります。詳細は [handoffs](handoffs.md) ドキュメントをご覧ください。
+ハンドオフは、エージェントが委任できるサブ エージェントです。ハンドオフが発生すると、委任先のエージェントは会話履歴を受け取り、会話を引き継ぎます。このパターンにより、単一タスクに特化して卓越する、モジュール型の エージェント を実現できます。詳しくは [ハンドオフ](handoffs.md) のドキュメントを参照してください。
 
 ```python
 from agents import Agent
@@ -134,9 +134,9 @@ triage_agent = Agent(
 )
 ```
 
-## 動的インストラクション
+## 動的な instructions
 
-多くの場合、エージェント作成時に instructions を指定できますが、関数を通じて動的なインストラクションを提供することもできます。関数はエージェントとコンテキストを受け取り、プロンプトを返す必要があります。通常の関数と `async` 関数の両方が使用できます。
+多くの場合、エージェントの作成時に指示を指定できます。しかし、関数を通じて動的な指示を提供することも可能です。その関数はエージェントとコンテキストを受け取り、プロンプトを返す必要があります。通常の関数と `async` 関数の両方が利用できます。
 
 ```python
 def dynamic_instructions(
@@ -153,13 +153,13 @@ agent = Agent[UserContext](
 
 ## ライフサイクルイベント（フック）
 
-エージェントのライフサイクルを観察したい場合があります。たとえば、イベントをログに記録したり、特定のイベント発生時にデータを事前取得したりする場合です。`hooks` プロパティを使ってエージェントのライフサイクルにフックできます。[`AgentHooks`][agents.lifecycle.AgentHooks] クラスをサブクラス化し、関心のあるメソッドをオーバーライドします。
+エージェントのライフサイクルを観測したい場合があります。たとえば、イベントを記録したり、特定のイベント発生時にデータを事前取得したりするケースです。`hooks` プロパティを使ってエージェントのライフサイクルにフックできます。[`AgentHooks`][agents.lifecycle.AgentHooks] クラスをサブクラス化し、関心のあるメソッドをオーバーライドしてください。
 
 ## ガードレール
 
-ガードレールにより、エージェントの実行と並行して ユーザー入力に対するチェック/バリデーションを実行し、エージェントの出力が生成された後にもチェックできます。たとえば、ユーザーの入力やエージェントの出力を関連性でスクリーニングできます。詳細は [guardrails](guardrails.md) ドキュメントをご覧ください。
+ガードレール により、エージェントの実行と並行して ユーザー 入力に対する検査／検証を行い、さらにエージェントの出力が生成された後にも検査／検証を実行できます。たとえば、ユーザーの入力とエージェントの出力を関連性でスクリーニングできます。詳しくは [ガードレール](guardrails.md) のドキュメントを参照してください。
 
-## エージェントのクローン/コピー
+## エージェントの複製／コピー
 
 エージェントの `clone()` メソッドを使用すると、エージェントを複製し、必要に応じて任意のプロパティを変更できます。
 
@@ -178,12 +178,12 @@ robot_agent = pirate_agent.clone(
 
 ## ツール使用の強制
 
-ツールのリストを指定しても、LLM が必ずしもツールを使用するとは限りません。[`ModelSettings.tool_choice`][agents.model_settings.ModelSettings.tool_choice] を設定してツール使用を強制できます。有効な値は次のとおりです。
+ツールのリストを指定しても、LLM が必ずしもツールを使用するとは限りません。[`ModelSettings.tool_choice`][agents.model_settings.ModelSettings.tool_choice] を設定してツール使用を強制できます。有効な値は以下のとおりです。
 
-1. `auto`: LLM がツールを使用するかどうかを判断します。
-2. `required`: LLM にツールの使用を必須にします（どのツールを使うかは賢く判断できます）。
-3. `none`: LLM にツールを使用しないことを必須にします。
-4. 特定の文字列（例: `my_tool`）を設定すると、LLM にその特定のツールの使用を必須にします。
+1. `auto`: ツールを使用するかどうかを LLM に判断させます。
+2. `required`: LLM にツールの使用を必須にします（ただし、どのツールを使うかは賢く判断します）。
+3. `none`: LLM にツールを使用「しない」ことを必須にします。
+4. 特定の文字列（例: `my_tool`）を設定し、LLM にその特定のツールの使用を必須にします。
 
 ```python
 from agents import Agent, Runner, function_tool, ModelSettings
@@ -201,12 +201,12 @@ agent = Agent(
 )
 ```
 
-## ツール使用の挙動
+## ツール使用時の挙動
 
 `Agent` 構成の `tool_use_behavior` パラメーターは、ツール出力の扱い方を制御します。
 
-- `"run_llm_again"`: デフォルト。ツールを実行し、その結果を LLM が処理して最終応答を生成します。
-- `"stop_on_first_tool"`: 最初のツール呼び出しの出力を、追加の LLM 処理なしで最終応答として使用します。
+- `"run_llm_again"`: デフォルト。ツールを実行し、LLM がその結果を処理して最終応答を生成します。
+- `"stop_on_first_tool"`: 最初のツール呼び出しの出力を、以降の LLM 処理なしで最終応答として使用します。
 
 ```python
 from agents import Agent, Runner, function_tool, ModelSettings
@@ -248,7 +248,7 @@ agent = Agent(
 )
 ```
 
-- `ToolsToFinalOutputFunction`: ツール結果を処理し、停止するか LLM を続行するかを決定するカスタム関数です。
+- `ToolsToFinalOutputFunction`: ツール結果を処理し、停止するか LLM を続行するかを判断するカスタム関数です。
 
 ```python
 from agents import Agent, Runner, function_tool, FunctionToolResult, RunContextWrapper
@@ -286,4 +286,4 @@ agent = Agent(
 
 !!! note
 
-    無限ループを防ぐため、フレームワークはツール呼び出し後に `tool_choice` を自動的に "auto" にリセットします。この挙動は [`agent.reset_tool_choice`][agents.agent.Agent.reset_tool_choice] で構成可能です。無限ループが起きる理由は、ツール結果が LLM に送られ、`tool_choice` によって LLM がさらに別のツール呼び出しを生成し続けるためです。
+    無限ループを防ぐため、フレームワークはツール呼び出し後に `tool_choice` を自動的に "auto" にリセットします。この挙動は [`agent.reset_tool_choice`][agents.agent.Agent.reset_tool_choice] で構成可能です。無限ループは、ツール結果が LLM に送られ、`tool_choice` により LLM がさらに別のツール呼び出しを生成し続けることが原因です。