docs: translate outdated pages

Author: seratch

docs/ja/agents.md

@@ -4,16 +4,18 @@ search:
 ---
 # エージェント
 
-エージェントはアプリの中核となる基本コンポーネントです。エージェントは instructions と tools を設定した大規模言語モデル（ LLM ）です。
+エージェントは、アプリ内の中核となるビルディングブロックです。エージェントとは、instructions と tools で構成された大規模言語モデル (LLM) です。
 
 ## 基本設定
 
-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。
+設定することが最も多いエージェントの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。
+-   `name`: エージェントを識別するための必須の文字列です。
 -   `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任意の `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。
+-   `model`: 使用する LLM と、temperature や top_p などのモデル調整パラメーターを設定するための任意の `model_settings` です。
+-   `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。
+-   `mcp_servers`: エージェントにツールを提供する MCP サーバーです。[MCP ガイド](mcp.md) を参照してください。
+-   `reset_tool_choice`: ツール呼び出し後に `tool_choice` をリセットするかどうか (デフォルト: `True`)。ツール使用のループを避けるためです。[ツール使用の強制](#forcing-tool-use) を参照してください。
 
 ```python
 from agents import Agent, ModelSettings, function_tool
@@ -33,7 +35,7 @@ agent = Agent(
 
 ## コンテキスト
 
-エージェントは `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ツールです。あなたが作成して `Runner.run()` に渡すオブジェクトで、すべてのエージェント、ツール、ハンドオフなどに渡され、エージェントの実行における依存関係と状態の寄せ集めとして機能します。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 `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ツールであり、作成して `Runner.run()` に渡すオブジェクトです。このオブジェクト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を寄せ集めた入れ物として機能します。コンテキストとしては任意の Python オブジェクトを指定できます。
 
 ```python
 @dataclass
@@ -50,9 +52,9 @@ agent = Agent[UserContext](
 )
 ```
 
-## 出力タイプ
+## 出力型
 
-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。特定の型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（dataclasses、lists、TypedDict など）をサポートしています。
+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`) 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/) でラップできる型であれば何でもサポートします。dataclasses、lists、TypedDict などです。
 
 ```python
 from pydantic import BaseModel
@@ -73,20 +75,20 @@ 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の代わりに [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、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。
 
 ## 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を設計する方法は数多くありますが、一般的に広く適用できるパターンとして次の 2 つがよく見られます。
+マルチエージェントシステムの設計方法は多岐にわたりますが、一般的に広く適用できるパターンとして、次の 2 つがよく見られます。
 
-1. マネージャー（エージェントをツールとして）: 中央のマネージャー／オーケストレーターが、ツールとして公開された専門のサブエージェントを呼び出し、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、会話を引き継ぐ専門の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. Manager (agents as tools): 中央のマネージャー/オーケストレーターが、特殊化され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. Handoffs: ピアエージェントが制御を特殊化されたエージェントへハンドオフし、そのエージェントが会話を引き継ぎます。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（エージェントをツールとして）
+### Manager (agents as tools)
 
-`customer_facing_agent` はすべてのユーザー対応を処理し、ツールとして公開された専門の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) ドキュメントをご覧ください。
+`customer_facing_agent` がすべてのユーザー対話を担当し、ツールとして公開された特殊化サブエージェントを呼び出します。詳しくは [tools](tools.md#agents-as-tools) ドキュメントを参照してください。
 
 ```python
 from agents import Agent
@@ -113,9 +115,9 @@ customer_facing_agent = Agent(
 )
 ```
 
-### ハンドオフ
+### Handoffs
 
-ハンドオフは、エージェントが委譲できるサブエージェントです。ハンドオフが発生すると、委譲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、単一のタスクに秀でたモジュール式の専門エージェントを実現できます。詳しくは [ハンドオフ](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、単一タスクに秀でたモジュール式の特殊化エージェントを実現できます。詳しくは [handoffs](handoffs.md) ドキュメントを参照してください。
 
 ```python
 from agents import Agent
@@ -136,7 +138,7 @@ triage_agent = Agent(
 
 ## 動的 instructions
 
-多くの場合、エージェントの作成時に instructions を提供できますが、関数を通じて動的に instructions 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、エージェント作成時に instructions を指定します。ただし、関数を通じて動的 instructions を指定することもできます。こ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` 関数の両方を受け付けます。
 
 ```python
 def dynamic_instructions(
@@ -151,17 +153,17 @@ agent = Agent[UserContext](
 )
 ```
 
-## ライフサイクルイベント（フック）
+## ライフサイクルイベント (hooks)
 
-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できます。`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。
+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できます。`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／検証を行い、またエージェントの出力が生成された後にその出力に対してチェック／検証を行えます。たとえば、ユーザー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。詳しくは [ガードレール](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チェック/検証を実行でき、また生成後のエージェント出力に対しても実行できます。たとえば、ユーザー入力とエージェント出力を関連性の観点でスクリーニングできます。詳しくは [guardrails](guardrails.md) 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
+## エージェントのクローン/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。
+エージェントの `clone()` メソッドを使用すると、Agent 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。
 
 ```python
 pirate_agent = Agent(
@@ -178,12 +180,12 @@ 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] を設定することでツール使用を強制できます。有効な値は次のとおりです。
+ツールのリストを渡したからといって、LLM が必ずツールを使うとは限りません。[`ModelSettings.tool_choice`][agents.model_settings.ModelSettings.tool_choice] を設定することでツール使用を強制できます。有効な値は次のとおりです。
 
-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 にツールの使用を要求します（ただし、どのツールかは賢く選択できます）。
-3. `none`: LLM にツールを使用しないことを要求します。
-4. 特定の文字列（例: `my_tool`）を設定すると、その特定のツールを使用することを LLM に要求します。
+1. `auto`: ツールを使用するかどうかを LLM が判断できるようにします。
+2. `required`: LLM にツール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. `my_tool` のように特定の文字列を設定: LLM にその特定のツールを使用することを必須にします。
 
 ```python
 from agents import Agent, Runner, function_tool, ModelSettings
@@ -201,12 +203,12 @@ agent = Agent(
 )
 ```
 
-## ツール使用の動作
+## ツール使用の挙動
 
-`Agent` の設定にある `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。
+`Agent` 設定の `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"`: デフォルトです。ツールを実行し、LLM が結果を処理して最終応答を生成します。
+- `"stop_on_first_tool"`: 以降の LLM 処理を行わず、最初のツール呼び出しの出力を最終応答として使用します。
 
 ```python
 from agents import Agent, Runner, function_tool, ModelSettings
@@ -224,7 +226,7 @@ agent = Agent(
 )
 ```
 
-- `StopAtTools(stop_at_tool_names=[...])`: 指定したいずれかのツールが呼び出された場合に停止し、その出力を最終応答として使用します。
+- `StopAtTools(stop_at_tool_names=[...])`: 指定したツールのいずれかが呼び出された場合に停止し、その出力を最終応答として使用します。
 
 ```python
 from agents import Agent, Runner, function_tool
@@ -248,7 +250,7 @@ agent = Agent(
 )
 ```
 
-- `ToolsToFinalOutputFunction`: ツール結果を処理し、停止するか LLM を続行するかを判断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 を継続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 +288,4 @@ 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。この動作は [`agent.reset_tool_choice`][agents.agent.Agent.reset_tool_choice] で設定できます。無限ループは、ツール結果が LLM に送られ、その後 `tool_choice` により LLM がさらにツール呼び出しを生成し続けるために発生します。
+    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] で設定できます。無限ループが起きるのは、ツール結果が LLM に送られ、`tool_choice` により LLM が別のツール呼び出しを生成し続けるためです。無限に繰り返されます。