# Cloudflare Agents 0.33.0、Pi 1.5移行の復旧条件

> Cloudflare AgentsのPi 1.5移行で変わる会話の互換性と復旧方法を確認。AWSの利用者権限の委任とインド国内推論、MICの日付固定、OpenAIとマツダの研究協業も扱う。独立した更新を、保存履歴・処理先・検証条件・製造可能性の確認に分け、運用へ取り込む際の判断材料を整理する。

Canonical URL: https://labs.eastbraver.com/digest/ai-digest-20261104
Published: 2026-11-04T06:30:00+09:00
Category: ai-digest
Tags: ai-agent, software-engineering, cloudflare, agentcore, aws, amazon-bedrock, llm-inference, evaluation, openai, nvidia

Cloudflare Agents 0.33.0がPi 1.5に対応した。移行後に実行した会話はPi 1.4では読めないため、修正版へ更新して復旧する条件を先に確認したい。AWSの利用者権限の委任とインド国内推論では、権限の対応付けと処理先を確認する。MIC 0.1.1は日時に依存する回帰検証を修正し、OpenAIはマツダとの物理設計を支援する研究協業を発表した。各更新は独立している。

更新前の判断点は、会話の保存形式をまたぐ復旧、利用者ごとのAPI権限、推論の処理先、期待出力を記録した条件である。物理設計の事例では、モデルが案を作れることと、製造可能性を保証できることを分けて読む。（[Cloudflareの移行案内](https://developers.cloudflare.com/changelog/post/2026-11-03-pi-harness-pi-1-5/) / [ServiceNow連携の設定](https://aws.amazon.com/blogs/machine-learning/servicenow-on-behalf-of-token-exchange-with-bedrock-agentcore-gateway/) / [インド国内推論の条件](https://aws.amazon.com/blogs/machine-learning/introducing-india-based-inference-for-kimi-k3-on-amazon-bedrock/) / [MIC 0.1.1の変更](https://raw.githubusercontent.com/huggingface/transformers-mic/v0.1.1/CHANGELOG.md) / [OpenAIの研究協業](https://openai.com/index/accelerating-engineering-for-the-physical-world/)）

## Cloudflare Agents 0.33.0がPi 1.5に対応、保存形式と復旧方法を更新

Cloudflare Agents 0.33.0は、Pi 1.5対応を安定版に取り込んだ。移行対象はPi harness、`agents/models/pi-ai`、Pi向けツールの利用者で、関連するPi依存関係を`~1.5.0`へ更新し、`@earendil-works/pi-schema`を追加する。この更新後に会話を実行するとPi 1.4では保存形式を読めなくなるため、Cloudflareは不具合時にPi 1.4へ戻すのではなく、互換性を保つ修正版へ更新するよう案内している。（[リリース](https://github.com/cloudflare/agents/releases/tag/agents%400.33.0) / [公式の移行案内](https://developers.cloudflare.com/changelog/post/2026-11-03-pi-harness-pi-1-5/)）

会話表示は`session.events()`から`session.watch()`へ置き換わる。返されるのは直近の履歴と、ストリーミング中の回答、実行中のツール、回答なしで終了した理由などの状態であり、全履歴ではない。表示範囲を超える古い履歴は`session.entries()`で取得し、`ConversationTranscript`へ統合する。リセットや会話履歴の圧縮より前のエントリーも履歴に残る。（[リリース](https://github.com/cloudflare/agents/releases/tag/agents%400.33.0)）

`defaults.maxTurns`は、新規セッションの1回の実行ごとにツール呼び出しのラウンド数を制限する。上限に達するラウンドのツールを実行した後、回答なしの`unanswered`、理由`turn_limit`で終了する。再起動上限で打ち切られたツール呼び出しはモデルが読めるエラー結果になる一方、モデル要求側が打ち切られると、その実行は回答なしとなり、理由は`restart_limit`となる。（[リリース](https://github.com/cloudflare/agents/releases/tag/agents%400.33.0)）

移行時は`retry()`と`parked`状態の処理を削除する。失敗の原因を解消した後は再送信するか、実行中ではないセッションで`session.continue()`を呼び、ユーザーメッセージを追加せず現在の履歴から新しい実行を開始する。これは停止した同じタスクの再試行ではなく、再実行の成功を保証するものでもない。履歴が既に回答で終わっていれば、`unanswered`、理由`nothing_to_answer`となる。（[公式の移行案内](https://developers.cloudflare.com/changelog/post/2026-11-03-pi-harness-pi-1-5/)）

Pi向けツールのスキーマ定義にも変更がある。`@earendil-works/pi-schema`で構築する`obj()`は、列挙していないプロパティを拒否し、許可するには`{ open: true }`を指定する。`pi-ai`はTypeBoxの`Type`をエクスポートしなくなるが、TypeBox自体を使えなくなるわけではなく、継続利用する場合は`typebox`から直接インポートする。（[リリース](https://github.com/cloudflare/agents/releases/tag/agents%400.33.0)）

ストリーミング中の回答とツール出力は、更新ごとではなく、既定ではおおむね1秒以内にまとめて保存する。表示は即時に更新される一方、クラッシュ時には未保存の最大約1秒分が失われ得る。保存間隔は設定可能であり、保存処理の負荷低減と出力保持の条件を併せて確認する必要がある。（[公式の移行案内](https://developers.cloudflare.com/changelog/post/2026-11-03-pi-harness-pi-1-5/)）

**EastBraverの見立て:** [AI Agent](/guides/ai-agent)の表示APIだけでなく、会話の保存形式と実行終了後の扱いまでが移行対象となる。Pi 1.4を使う版へ戻す復旧と、Pi 1.5との互換性を保つ修正版への更新を区別し、新しい実行を始める前に失敗原因を解消する手順を用意したい。（[リリース](https://github.com/cloudflare/agents/releases/tag/agents%400.33.0)）

- 出典: [Cloudflare Agents](https://github.com/cloudflare/agents/releases/tag/agents%400.33.0)（0.33.0安定版の公開、2026-11-03 22:14 JST）

**関連する技術ガイド:** [AI AgentのTool](/guides/tool) / [AI Agent](/guides/ai-agent)

## AgentCore GatewayからServiceNowへ、利用者の代理でアクセスする設定条件

AWSは、AgentCore GatewayとMicrosoft Entra IDのOBOトークン交換により、ServiceNow REST APIへ利用者の代理でアクセスする構成手順を公開した。交換はGatewayのターゲットに設定し、リクエストごとに実行する。エージェント向けの受信JWTとServiceNow API向けトークンでは`audience`が異なるため、利用者のクレームを維持しながら、呼び出し先に合うトークンへ交換する。（[AWSの構成解説](https://aws.amazon.com/blogs/machine-learning/servicenow-on-behalf-of-token-exchange-with-bedrock-agentcore-gateway/)）

Entraでは、エージェント用とServiceNow APIコネクター用のアプリ登録を用意する。コネクター側は既定のApplication ID URIで`user_impersonation`スコープを公開し、エージェント側はクライアントシークレットとコネクターを呼ぶAPI権限を設定する。Gatewayは受信JWT、エージェントのクライアント認証情報、対象スコープ、`requested_token_use: on_behalf_of`をEntraへ送る。Entraが利用者の委任への同意を検証して、ServiceNow API向けトークンを発行する。（[AWSの構成解説](https://aws.amazon.com/blogs/machine-learning/servicenow-on-behalf-of-token-exchange-with-bedrock-agentcore-gateway/)）

Gatewayは作成時にMCPバージョン`2025-11-25`を選ぶ必要があり、それ以前のバージョンで作成したGatewayではネイティブOBOを有効にできない。送信認証ではUIの`JWT authorization grant`を選び、ServiceNowターゲットでは`Token exchange grant`を選択する。設定例のスコープは`api://<ServiceNow APIコネクターのclient ID>/user_impersonation`で、追加パラメーター`requested_token_use=on_behalf_of`が必須となる。AWSは、これがないとOBO交換が行われず、認証エラーになると説明している。（[AWSのターゲット設定](https://aws.amazon.com/blogs/machine-learning/servicenow-on-behalf-of-token-exchange-with-bedrock-agentcore-gateway/)）

ServiceNow側には、コネクターのクライアントIDを指定する受信OAuth統合と、EntraテナントのメタデータURLを使うOIDCプロバイダーを設定する。`preferred_username`がメールアドレスなら既存ユーザーのEmailフィールドへ対応付け、認証スコープを必要なAPIへ限定することで、そのユーザーの権限を適用する構成だ。JTIの扱いについては、AWSはEntraの`uti`クレームを`jti`へ対応付け、リプレイ対策と拒否リストに使う方法も検討するよう勧めている。（[AWSの構成解説](https://aws.amazon.com/blogs/machine-learning/servicenow-on-behalf-of-token-exchange-with-bedrock-agentcore-gateway/)）

**EastBraverの見立て:** トークン交換だけで[利用者ごとの権限](/guides/ai-identity-authorization)が完成するのではなく、ServiceNow側のユーザー対応付けとAPIスコープも必要になる。導入時は受信JWTの対象、交換先、利用者の対応付け、呼び出せるAPIを一つずつ確認する構成として読む必要がある。（[AWSの構成解説](https://aws.amazon.com/blogs/machine-learning/servicenow-on-behalf-of-token-exchange-with-bedrock-agentcore-gateway/)）

- 出典: [AWS](https://aws.amazon.com/blogs/machine-learning/servicenow-on-behalf-of-token-exchange-with-bedrock-agentcore-gateway/)（公式技術解説、2026-11-04 01:47 JST）

**関連する技術ガイド:** [AIシステムのIdentityとAuthorization](/guides/ai-identity-authorization) / [MCP](/guides/mcp)

## BedrockのKimi K3にインド国内推論、処理先は専用プロファイルで指定

Amazon Bedrockは、Kimi K3に従来のグローバル推論と米国拠点の推論に加え、インド国内推論を追加した。`in.moonshotai.kimi-k3`プロファイルを指定すると、推論処理先がムンバイとハイデラバードのリージョン内に限定される。（[AWSの発表](https://aws.amazon.com/blogs/machine-learning/introducing-india-based-inference-for-kimi-k3-on-amazon-bedrock/)）

Kimi K3はクロスリージョン推論プロファイル経由で提供され、呼び出し元と処理先は区別される。公式モデルカードでは、インド向けの呼び出し元は`ap-south-1`と`ap-south-2`で、どちらからも両リージョンへ処理を振り分ける。組織でリージョンを制限する場合は、呼び出し元と両処理先へのルーティングを許可するIAM・SCP設定が必要になる。リージョン間の転送は暗号化され、AWSネットワーク内で行われる。（[モデルカード](https://docs.aws.amazon.com/bedrock/latest/userguide/model-card-moonshot-ai-kimi-k3.html) / [AWSの設定例](https://aws.amazon.com/blogs/machine-learning/introducing-india-based-inference-for-kimi-k3-on-amazon-bedrock/)）

Bedrock RuntimeエンドポイントのChat Completions、Responses、Converse、InvokeModelから呼び出せるが、AWSはこのモデルではOpenAI互換APIを推奨する。機能差もあり、明示的なプロンプトキャッシュを使えるのはResponses、Chat Completions、InvokeModelで、Converseは対象外となる。（[モデルカード](https://docs.aws.amazon.com/bedrock/latest/userguide/model-card-moonshot-ai-kimi-k3.html)）

公式モデルカードのIN Standard料金は、1,000,000トークン当たり入力3.30米ドル、出力16.50米ドルとなる。AWSのインド国内推論の記事は、遅延への要求が緩い処理向けのFlexを標準料金比50％割引、Priorityを追加料金でキュー内の優先度を要求する階層と説明している。（[モデルカード](https://docs.aws.amazon.com/bedrock/latest/userguide/model-card-moonshot-ai-kimi-k3.html) / [AWSの料金説明](https://aws.amazon.com/blogs/machine-learning/introducing-india-based-inference-for-kimi-k3-on-amazon-bedrock/)）

既定の暗黙的キャッシュは、繰り返されるプロンプトの先頭部分の保存と再利用を試みる仕組みであり、ヒットを保証しない。明示的なキャッシュ制御を使う場合も、利用するAPIの対応範囲と、自社入力でのヒット率を分けて確認する必要がある。（[モデルカード](https://docs.aws.amazon.com/bedrock/latest/userguide/model-card-moonshot-ai-kimi-k3.html) / [AWSのキャッシュ説明](https://aws.amazon.com/blogs/machine-learning/introducing-india-based-inference-for-kimi-k3-on-amazon-bedrock/)）

> [!CAUTION] Priority料金の適用範囲
> モデルカードにはIN Standard料金がある一方、Priority倍率の説明はGlobalまたはUSの基準料金を対象に書かれている。IN Priorityの絶対単価をそのまま計算して確定値とは扱わず、利用時に確認が必要となる。（[モデルカード](https://docs.aws.amazon.com/bedrock/latest/userguide/model-card-moonshot-ai-kimi-k3.html)）

**EastBraverの見立て:** 国内処理の要件は、呼び出し元だけでなくプロファイルが許す処理先まで確認して判断する。インド向けではムンバイとハイデラバードの両方を許可する構成と、APIごとの機能差を併せて評価する必要がある。（[AWSの発表](https://aws.amazon.com/blogs/machine-learning/introducing-india-based-inference-for-kimi-k3-on-amazon-bedrock/)）

- 出典: [AWS](https://aws.amazon.com/blogs/machine-learning/introducing-india-based-inference-for-kimi-k3-on-amazon-bedrock/)（公式情報、2026-11-04 01:32 JST）

## transformers-mic 0.1.1、会話テンプレートの日付を固定して期待値の揺れを抑制

統合テスト用ツール`transformers-mic`の0.1.1が公開された。修正の一つは、当日の日付を入力へ挿入する会話テンプレートへの対処だ。基準出力の記録と検査で参照日付を固定し、その日付も基準出力と一緒に保存する。今回は既存ツールの更新であり、MICという仕組み自体の初公開ではない。（[0.1.1の変更履歴](https://raw.githubusercontent.com/huggingface/transformers-mic/v0.1.1/CHANGELOG.md) / [PyPIの公開記録](https://pypi.org/project/transformers-mic/0.1.1/)）

Model Integration Contract（MIC）は、縮小モデル、実行可能な利用例、人がレビューした期待出力を組にする提案段階の統合テスト標準だ。縮小モデルを使う検査は回帰の早期検出を狙うもので、実モデルを使う完全な統合テストの合格を代替しない。（[Hugging Faceの解説](https://huggingface.co/blog/transformers-mic)）

日付固定の対象は`transformers.utils.chat_template_utils`が参照する`datetime`であり、OSや他のモジュールの時計ではない。修正は検査ツール自身のプロセスと分離実行の双方に適用され、`recorded_with.template_date`へ記録される。異なる日付で作成された基準出力は照合対象の不一致として扱い、日付の記録がない古い基準は従来どおり比較する。（[修正PR](https://github.com/huggingface/transformers-mic/pull/166) / [0.1.1の日付固定処理](https://raw.githubusercontent.com/huggingface/transformers-mic/v0.1.1/example/template_date.py)）

変更によって過去の期待値が自動で正しく書き換わるわけではない。開発者は、日付が検査対象の出力へ影響する既存の基準について、再記録とレビューが必要になると説明している。（[修正PR](https://github.com/huggingface/transformers-mic/pull/166)）

**EastBraverの見立て:** 期待値との差をモデルの回帰と判定する前に、その入力を作った条件も確認する修正である。日付のような外部条件による差を抑えることと、モデルそのものの動作を検証できたことは区別し、基準出力の変更には引き続きレビューを残す必要がある。（[0.1.1の変更履歴](https://raw.githubusercontent.com/huggingface/transformers-mic/v0.1.1/CHANGELOG.md) / [修正PR](https://github.com/huggingface/transformers-mic/pull/166)）

- 出典: [Hugging Face](https://pypi.org/project/transformers-mic/0.1.1/)（0.1.1の公開、2026-11-03 19:33 JST）

## OpenAIとマツダ、空力・衝突安全の設計支援で研究協業

OpenAIは、機械・電気設計やシミュレーションへのAI活用を解説し、マツダとの新しい研究協業を発表した。空力と衝突安全のエンジニアと、気流や構造のシミュレーションを使って車両設計を開発・評価する可能性を探る。今回の発表は研究協業と初期事例であり、設計の安全性や製造可能性を自動保証する製品の一般提供ではない。（[OpenAIの発表](https://openai.com/index/accelerating-engineering-for-the-physical-world/)）

既存のChip Ganassi Racingとの協業も拡大し、元の設計ファイルがない部品の3Dスキャンから、編集可能なCADモデルと2D製造図面を作る作業を検証する。同社の技術者が、モデルと図面の正確さと製造可能性をレビューするという分担だ。（[OpenAIの発表](https://openai.com/index/accelerating-engineering-for-the-physical-world/)）

OpenAIは、Astraで筐体、プリント基板、ソフトウェア連携を設計した試験用デバイスも紹介した。ただし、製造に進むには複数回のレビューと修正が必要で、モデルは製造業者の生産上の制約、公差、組み立てに必要な細部を一貫して考慮できなかったと説明する。設計案が得られることと、製造へ渡せることは同じではない。（[OpenAIの事例](https://openai.com/index/accelerating-engineering-for-the-physical-world/)）

**EastBraverの見立て:** [人による判断](/guides/human-in-the-loop)を残す場所が具体的な事例である。CADや解析の準備を支援できても、精度、公差、製造可能性を確認する責任は別に置く必要がある。設計案や試作品ができたという成果を、完成品の安全性や開発期間全体の短縮の保証へ読み替えないようにしたい。（[OpenAIの発表](https://openai.com/index/accelerating-engineering-for-the-physical-world/)）

- 出典: [OpenAI](https://openai.com/index/accelerating-engineering-for-the-physical-world/)（公式の研究協業・事例発表、2026-11-03）

## ほかの確認済みの更新

本文と同じ方法で根拠を確認した更新を、要点だけ短くまとめる。

- **NVIDIA Attribution、GPU障害の根拠を追う手順を解説**：NVIDIAは、ワークロード単位のログ、メトリクス、スケジューラー状態を突き合わせ、決定論的な規則で根本原因と後続の症状を分ける手順を公開した。診断は観測情報の品質と完全性に依存し、複数の原因が合う場合は曖昧さを記録する。これは同ツールを使う解説の公開であり、すべての障害の原因を特定できるという保証ではない。（[NVIDIAの技術解説](https://developer.nvidia.com/blog/diagnose-distributed-ai-workload-failures-with-nvidia-attribution/)）
