この書き起こしは、62分でAI従業員を構築するライブデモの記録である。具体的には、Gibson AI データベース、Cursor IDE、CrewAIフレームワークを活用してカスタマーサクセスAIエージェントを開発する過程を詳細に記録している。開発は3段階で進められ、第1段階でSaaS形式のダッシュボードアプリを構築してインサイトと推奨アクションを提供し、第2段階でAIエージェントがこれらのインサイトを分析して人間が承認可能なアクションを推奨する仕組みを追加し、第3段階で完全に自律的にユーザーの代理でアクションを実行するエージェントを実現している。このデモは、現代のAIツールを組み合わせることで、プロトタイプを超えた本格的なプロダクション対応システムを短時間で構築できることを実証している。
今日は、人間の介入なしに問題を解決してくれるAIカスタマーサクセスエージェントを構築していきます。データベースバックエンドとしてGibson AIデータベースを使用し、コーディングにはCursor on Claude Sonnet 3.7を、そしてAIエージェントにはCrewAIフレームワークを使用します。
構築は3つのパートに分けて行います。パート1では、インサイトを提供し、アクションを推奨するSaaS形式のダッシュボードアプリを構築します。パート2では、これらのインサイトを分析してアクションを推奨するAIエージェントを追加します。パート3では、実際にこのエージェントを自律的にし、ユーザーの代理でアクションを実行させます。こちらがダッシュボードです。
これがパート1の結果です。これはカスタマーサクセスAIエージェントダッシュボードのみです。設計、開発、デプロイメント、管理、そしてデータベースのスケーリングまで、現在のコーディングツールでは対応していない全ての領域に焦点を当てています。
Gibsonで構築を始めた際は、ウェブインターフェイスを使用していました。今回は実際にCursor IDEから直接テーブルを構築し、データベースをデプロイしています。もはやプロトタイプを構築しているわけではありません。非常に重要な本格的なプロダクショングレードのデータベースに支えられています。すでにクラウドにデプロイされているので、これを公開して明日1万人のユーザーが来ても対応できます。
他にどのようなAI従業員を作ることができるでしょうか？SDRは非常に人気のある使用例です。ミーティング準備エージェント、エグゼクティブアシスタントもあります。これらのエージェントを組み合わせて、あなたに特化した特定の役割を作ることができます。
簡単に言うと、驚くべき統計があります。視聴者の50%以上が登録していません。YouTubeで登録し、AppleやSpotifyポッドキャストでフォローしていただければ、このコンテンツをどんどん良くしていくことをお約束します。
それでは今日のエピソードに入りましょう。ハリシュさん、ポッドキャストへようこそ。今日は何をするのでしょうか？
今日は、人間の介入なしに問題を解決してくれるAIカスタマーサクセスエージェントを構築します。
それでは早速始めましょう。画面を共有しますね。
今日は4つのツールを使用します。計画にはOpenAI o3 Mini、データベースバックエンドにはGibson AIデータベースを使用します。Gibsonについて簡単に紹介すると、GibsonはAI搭載のクラウドデータベースです。ライトニングスピードでデータベースを構築、デプロイ、管理できます。これがデータベースバックエンドを形成し、コーディングにはCursor on Claude Sonnet 3.7、そして最後にAIエージェント用のCrewAIフレームワークを使用します。これが今日使用する技術スタックです。
では構築を始めましょう。どのように構築するかというと、3つのパートに分けて構築します。パート1では、インサイトを提供し推奨アクションを示すSaaS形式のダッシュボードアプリを構築します。これは私たちがとても馴染みのあるもので、しばらく使用してきたメトリクスとインサイトを含むダッシュボードです。
パート2では、これらのインサイトを分析し推奨アクションを提供するAIエージェントを追加し、本質的に第1段階を自動化します。これによりAIエージェントがダッシュボードを見て、データを分析し、チャーンとその軽減理由を特定し、ユーザーが承認または実行できるアクションを提供します。パート2は人間がループに入っているAIエージェントです。
パート3では、実際にこのエージェントを自律的にし、ユーザーの代理でアクションを実行させます。最終的には、カスタマーサクセス用の完全に機能するAIエージェントを手に入れることになります。
パート1に入りましょう。パート1では計画段階から始めます。AIカスタマーサクセスエージェント用のダッシュボードを構築したいことは分かっていますが、ダッシュボードはどのようなものであるべきでしょうか？どのメトリクスに焦点を当てるべきでしょうか？そこで、この場合はChatGPT、o3 miniにガイダンスを求めます。
簡単なプロンプトを用意しています。これをコピーペーストします。非常に分かりやすいプロンプトです。ビジネスインテリジェンスエキスパートとして、Bulk Trade（今日焦点を当てているB2B eコマースプラットフォーム）向けの包括的なダッシュボードを設計してください。これは他のビジネスにも応用できますが、今日はB2B eコマースに焦点を当てます。
カスタマーサクセスマネージャーとして、CRM（この場合はHubSpot）、Google Analytics、アプリケーションデータベースからのデータを統合するダッシュボードが必要です。目標は、カスタマーファネルの最適化、エンゲージメントと定着率の向上、チャーンの削減につながる実用的なインサイトでカスタマーサクセスチームを強化することです。4つのタブを持つダッシュボードを提供してください。目標を達成するためにサイドバーが必要です。
これを詳しく説明するのは、これが全ての動きを開始するものだからです。推論モードを使用しているので、非常に迅速に戻ってきました。ファネルパフォーマンス、エンゲージメントと使用状況、カスタマーヘルスリスク、定着保険など、要求した通り4つのタブの推奨事項が戻ってきました。
なぜo3 mini推論モードを使用したのでしょうか？私が使用した全てのモデルの中で、o3 miniは計画に優れていることが分かりました。特にはるかに高速です。これまでのところ、私にとってうまく機能しています。コーディングには、過去1年ほど王者だったClaude Sonnetを使用します。これらが今日使用する2つのモデルです。
ダッシュボード設計ができました。さらに重要なのは、ダッシュボードを支えるデータベースの構成です。o3にこのダッシュボードを支えるデータについて、どのようなデータを使用すべきか、コンポーネントは何かを聞いてみます。
今それについて考えて、作成に必要なデータ入力を計画するのを手伝ってくれています。ファネルパフォーマンス、エンゲージメントと使用状況。実行した作業の1つは、ダッシュボード構成と全く同じことです。各ダッシュボードに対して、必要な全てのデータフィールドを提供しました。
お聞きしたいのは、タブではなくデータソース別に整理してください。
これで、HubSpotから必要なフィールドはこれらですという、はるかに具体的な回答が得られました。これは非常にデータ定義のようなものです。データベースの観点からこの特定の詳細度は必要ないかもしれません。これをコピーして、Gibsonに行ってこのデータベースをモデル化します。
Gibsonはここでどのような役割を果たしているのでしょうか？
Gibsonはこのアプリケーション全体を支えるデータベースです。ダッシュボードを構築する最初のステップは、実際にフロントエンドがGibson AIデータベースを調べて、ダッシュボードでそのデータを表示することです。
Gibsonの素晴らしい点の1つは、AI搭載のクラウドデータベースであることです。カスタマーサクセスダッシュボード用のこのような分析バックエンドを構築したい場合、複数のソースからデータを取り込み、数十万から数百万のトランザクションを処理できる、簡単にスケーラブルなデータベースが必要です。Gibsonはそれに合わせて自動スケールできます。そのため選んだのです。
Gibsonに行きましょう。GibsonはウェブまたはMCPサーバー経由でお気に入りのツールでも利用できます。まずはウェブ版のGibson AIプラットフォームから始めます。
サインインします。無料で始められます。誰でも参加できます。Googleアカウントやメールでログインできます。メールを使ってログインします。これがGibson AIワークスペースです。
最初に行うのは「B2B eコマースカスタマーサクセスエージェント用のデータベースを構築して」と入力することです。シンプルなプロンプトを入力し、提供します。これは実際にデータベースを構築するプロンプトではありませんが、プロジェクトを初期化し、ユーザーが構築したいもののコンテキストを設定します。これが私たちの高レベルな目標です。後でo3 miniからのデータ定義を持ち込むと思います。
コピーペーストしたものを少し調整して、もう少しクリーンにしました。まだ3つのコンポーネントを持っています。こちらがプロジェクトウィンドウです。作業中の全てのプロジェクトが左側に表示されます。最初のステップは、B2B eコマースカスタマーサクセスエージェントを初期化したことです。
2つのオプションが提供されます。一度に全データモデルを設計・生成するか、段階的にデータモデルを構築するかです。o3 miniを使用していて、設計とブレインストーミングを依頼する場合はオプション1を選択します。すでにo3 Miniで計画しているので、ここではオプション2を選択します。
今日のエピソードはAmplitudeの提供でお送りしています。優れたデジタル製品を構築するのは困難です。チームを調整し、重要なことを測定し、製品戦略をスケールするのは簡単ではありませんが、次のステップをガイドする明確なフレームワークがあったらどうでしょうか？それがまさにAmplitudeが構築したものです。最高の製品チームを研究して、本当にインパクトを与えるものを理解し、そのインサイトをデジタルエクスペリエンス成熟度評価に変えました。2分で、チームの立ち位置と、より良い製品をより速く構築するために改善できることが分かります。
Linearについて少し話させてください。プロダクトマネージャーとして、私はツールに溺れていました。計画用に1つ、課題追跡に別の1つ、ロードマップ、シート、そしてSlack、インターコム、アプリレビューを行き来して顧客フィードバックをまとめる必要がありました。システムを同期させることに、実際に製品を構築することよりも多くの時間を費やしていました。
開発が始まるたびに、慎重に作成した計画はすぐに更新が必要になりました。私は全てのチーム間の人間APIでした。Linearを愛用する理由はそこにあります。顧客フィードバックの収集、製品アイデアの協同形成、機能横断チームの調整、開発進捗の監視を1つの場所で行えます。私の生活を複雑にしている切り離されたシステムの迷路を切り抜けます。
オプション2は、適切と思われる方法で段階的にデータモデルを構築できると言っています。ここでの目標は、Gibsonに構築してもらいたいものについて、より方向性があり、ターゲットを絞ったものです。いくつかのオプションは提供されますが、すでに持っているので、コピーペーストします。
ここでは複数のモデルがバックエンドで動いているのでしょうか？この体験を支えているのは何ですか？
AnthropicとOpenAIの両方を使用しています。実際にはコード作成にAnthropic、計画とインフラ管理にOpenAIを使用しています。どちらも利用可能です。これがGibsonの核心です。ゼロからデータモデルを構築しているので、かなり重要なプロンプトのため約1分ほどかかります。
構築中に、ワークスペースにある全ての機能を簡単に見ていきましょう。データモデルとスキーマ設計を行っている間、Gibsonが完了すると完全なデータモデルスキーマが戻ってきて、それがここでER図として表現されます。それが最初のものです。
2番目はスキーマです。スキーマはスキーマ形式でのPythonコードになります。設計したデータモデルが気に入った場合、デプロイボタンを押すだけです。デプロイを押すと、このスキーマとデータモデルを取って、AWSインスタンスにデプロイします。ユーザーが使用できるようにした安全でスケーラブルなクラウドインフラです。
完了しました。要求したものを構築し、CRM、アナリティクス、トランザクションデータモジュールという3つのモジュールに従って構築したという非常に具体的な回答が戻ってきました。ER図を簡単に見てみましょう。CRM側では、連絡先情報、フィードバック、プロフィールが、データタイプ、ID、キーと共に非常にきれいに書き出されており、データモデルと制約に関する注釈もあります。
2番目はスキーマです。スキーマは実際にはデータモデルのコード表現です。ここからは、実際にGibsonに何でも依頼できます。何でも説明してもらえます。ペアデータモデルやデータベースエージェントになってもらえます。
行うことの1つは、テストデータを取り込むことです。そこで依頼するのは、テストデータの挿入が困難になるため、全てのテーブルからenumを削除してください。
enumを知らない人のために説明すると、enumは列挙です。テーブでフィールドを定義する際、多くの異なるデータタイプがあります。enumはデータタイプの1つで、0、1、2、3のような非常に特定の値にロックします。例えば、顧客がリード、カスタマー、チャーン、またはそれらのいずれかの場合、0、1、2、3のようになります。
enumデータは利用できないとのことです。通常これを実行しますが、このデータモデルにはenumがないので、問題ありません。
その他のことをいくつか。デプロイすると、ここでデプロイボタンを押します。このデータモデルを取ってクラウドにデプロイします。完了すると、2つの環境が提供されます。1つは開発環境、もう1つは本番環境です。自動的に開発・テスト用の2つの環境を提供し、データモデルが気に入ったら本番に昇格できます。
View APIをクリックします。このデータベースに支えられた全体のAPIを表示します。3分以内に、この全体のCRUDレイヤーが利用できるようになりました。全体のデータベースにこのCRUDレイヤー経由でアクセスできます。これがAPIで、CRUDレイヤーは作成、読み取り、更新、削除です。これらがGET、POST、DELETEタイプのコマンド経由でデータベースで実行できる操作です。
設定を簡単に見せます。設定には開発と本番の両方があり、これらがAPIキーです。後で削除します。視聴者の皆さん、大丈夫です。データベースを使用したくない場合、APIを使用したくない場合は、この接続文字列を直接取得して、コピーペーストしてここでデータベースにアクセスする機会もあります。
データモデルが構築されました。データモデルができたので、Cursorに行って、このデータモデルに基づいてダッシュボードを構築するようCursorに依頼できます。
Cursorウィンドウを共有しましょう。ここがCursorです。最初に見えるのは、GibsonをCursorに接続した方法です。GibsonはMCP経由でCursorや他の開発ツールに接続します。
MCPとは何でしょうか？簡単に説明すると、MCPはModel Context Protocolの略です。AIモデルをツールやデータソースに接続するために設計されたオープンスタンダードです。MCPにより、ツールがLLMと統合することが簡単になり、その逆も同様です。これはGibsonでこの進化を行っている間、本当にゲームチェンジャーでした。MCPにより、やり取りの方法が非常にシームレスになりました。
GibsonをCursorと統合するにはどうしますか？非常にシンプルなコマンドです。たった4行でGibsonがCursorに入ります。
CursorからGibsonで何ができるかを見てみましょう。利用可能なツールは何でしょうか？Gibson MCPサーバー経由で利用可能なツールは何かと聞いてみます。IDE内で利用可能な全ての機能を教えてくれます。
素晴らしい点は、開発者が環境を離れる必要がないことです。離れることなく、実際にプロジェクト管理、作成、取得、更新プロジェクト、スキーマ管理、全スキーマの取得、データモデリング、データベースのデプロイができます。私の個人的なお気に入りは、ここからデータベースで自然言語クエリを実行でき、結果を返すことができることです。文字通り、キュレーションされた結果を含むtext-to-SQLです。
これらがここで利用可能な全てのツールです。データベースにまだデータがないので、最初に行うのはCursorにテストデータを生成するよう依頼することです。
1つ簡単なことをする必要があります。データベースの名前を変更する必要があります。ここに多くのプロジェクトがあるので混乱しないようにします。Gibson側で行います。プロジェクトをCSAB1に名前変更しました。ここに多くのプロジェクトがあるからです。これが反映されていることを確認してから、Cursorにテストデータ生成を依頼します。
私が非常に具体的に言っていることがいくつかあります。API呼び出しを使用し、基盤となるテーブル間の関係を尊重することです。ここにはたくさんのテーブルがあるからです。APIを使用し、具体的にはこれ用のPythonスクリプトを作成すると言います。
ここで見ることができるように、実際にGibsonに行ってプロジェクト情報を取得しています。これが、Cursorが第三者インフラで構築したもののコンテキストを持つ方法です。
私たちが取り上げたMCP接続について、それを行うためのステップは何でしたか？
最初のステップは、実際にGibsonの認証済みユーザーであることを認証する必要があることです。それを示すブログ投稿がウェブサイトにあります。2番目は、その4行を取って、Cursor設定に行き、ここをクリックし、このタブを開いて、MCPに行き、新しいMCPサーバーを追加するだけです。
会話ウィンドウで見ることができるように、Cursorは実際に全てのAPI情報を取得しています。これでコンテキストが分かります。これで私たちのためにPythonスクリプトを作成しに行けます。ダッシュボード用のテストデータを生成しに行きます。
そして、バックグラウンドでCursorは、このダッシュボードを良く見せるために良いテストデータが何かを考えて、Gibsonによってプロビジョニングされたデータベースにそれを追加しているのでしょう。
まさにその通りです。テストデータ挿入を行う際に確実にすべきことの1つは、現実的であることを言及することです。そうでなければ、必ずしも意味をなさないデータを投入してしまいます。
少し時間がかかります。現在、Cursorはテストデータを構築しています。テストデータのスクリプトを構築しています。そのスクリプトを実行します。Gibsonにもテストデータを生成する能力があります。クエリツールに「テストデータを生成して」と依頼できます。しかし、繰り返し可能で、非常に迅速に実行できるため、Pythonスクリプトを作成したかったのです。
それを行っている間に、いくつか見せたいことがあります。1つはモデル選択です。Claude Sonnet 3.7を使用し、思考モードも使用しています。何らかの理由で、思考モードがより良い結果をもたらすことが分かりました。Cursorで作業する際に発見したことです。
それはおそらく使用できる最も高価なモデルですか？3.7 maxだと思いますし、実際に追加コストがかかります。GPT-4.1 OpenAI 4.1もコーディングにかなり優れているようです。基盤モデルのコーディング競争が進行中です。
このエピソードが配信される頃には、誰かが別のモデルをリリースしていると確信しています。今日新しいモデルが出ると思います。
とにかく、完了しました。現実的なテストデータを生成する包括的なPythonスクリプトです。データの準備ができました。時間の都合上、これを受け入れて、readmeを見てみましょう。何と書いてありますか？
Fakerをインストールする必要があります。それを迅速に行いましょう。何かをインストールする必要があることをどうやって知ったのですか？
readmeに行きました。CursorがreadmeToを生成しました。readmeファイルをクリックすると、これを実行するために使用する必要があるステップがいくつか書かれています。
そして、多くの人がおそらく慣れているAIプロトタイピングツールとは異なり、Cursorは仮想マシンで行われているのではありません。あなたのマシンで行われています。そのものをあなたのマシンにインストールしました。仮想環境を作成するオプションがあります。今日AI エージェントを実行する際にも、UVとVを使用します。
そして実行されます。Gibson APIを使用してこれらのデータを生成しているのが分かります。ターミナルを通過していくのが見えます。Cursorがそれを行うと思います。Cursorの方が好きです。構築しているものに対してより多くの制御ができるからです。ただし、インフラストラクチャに責任を持つ必要があります。そのため、Gibsonがここでバックエンドを引き受けています。
データを挿入していきます。次に行うのは、Cursorがテストデータを挿入したので、ダッシュボードを構築しましょうと言います。ここでプロンプトを見ていきます。使用するパッケージについて非常に具体的にしています。
Gibson airプロジェクトに基づいてモダンでスリークなインタラクティブダッシュボードを構築してください。ダッシュボードを支えるためにAPIを使用してください。モックデータは使用しないでください。時々Cursorはダッシュボードを表示しますが、背後にモックデータがあります。API情報を取得してください。そして、UIコンポーネントとダッシュボード用にNext.jsとchatを使用するよう非常に具体的にしています。
これが構築する指示です。ChatGPTに行って、ダッシュボードのガイダンスの観点から与えられたものをコピーペーストして、ここで物事をシンプルに保ちます。これをコピーして、GPTからコピーペーストします。
画面も共有しましょう。コピーしている場所が分かるように。これ全体を取ってコピーしました。質問をして、ダッシュボードを手に入れて、これをここのCursorにコピーペーストします。
Pythonスクリプトがデータを挿入している最中です。これを並行して行えるよう、新しいCursorウィンドウを開くことができます。
ここで新しいウィンドウを開きましょう。ここで新しいプロジェクトを開始しましょう。読みやすくするためにこれを行います。以下で話し合ったのは、この4つの主要なサイトタブでのダッシュボードの概要です。送信します。
かなり重要なプロンプトなので、思考モードでClaude 3.7を使用しているため、Cursorが行うことがいくつかあります。かなり良く推論します。コーディング中に実際にどのように考えているかを見ることができます。それを行うのが好きで、進行中に1つか2つのことを学ぶかもしれません。
ここで質問されることの1つは、ここでのパッケージのインストールです。コードをソースディレクトリ内に配置しますか？はい。turbopackを使用しますか？はい。インポートエイリアスをカスタマイズしますか？いいえ。そして、最初のステップはNex.js用の依存関係をインストールすることです。
Nex.jsをchatsと共に使用しています。見た目が良いからです。Pythonを使用することもできます。はるかに高速ですが、視覚的に魅力的ではない可能性があります。
この全体は約10〜15分かかります。明らかに完了したプロジェクトがあります。完全に行うには時間がかかるので、それを見せることができます。いくつかのステップを経て、実行されたら、第1ステップの完成品を見ることができます。
まだインストール段階、パッケージインストール段階にいます。セットアップ中です。今完了しました。プロジェクト構造を作成しています。
ちなみに、ここでエージェントモードを使用しています。Cursorにはいくつかの複数のモードがあります。askはより共同パイロットとして機能します。エージェントはエージェント的ワークフローで、最終プロンプトまで進んで製品を構築し、エラーや問題が発生したときに自動的に解決します。
通常、エージェントモードで時間の大部分を過ごしますか？
このようなアプリのワンショットバイブコーディングの目的で、askモードをかなり使用します。エージェントモードはうまく機能します。Replit、Bold、lovableなどの他のツールも全て使用しましたが、Cursorが最も気に入っています。最も強力です。
最も強力です。実行されたら、実際に最終状態を見せることができます。時間の都合上、他にも見せるものがいくつかあります。これを進めるのに時間がかかります。
今日のエピソードはMavenの提供でお送りしています。Udemyのようなほとんどのオンラインコースの問題は、ライブコンポーネントがなく、インストラクターがその分野の専門家ではないことです。彼らは教授です。Mavenでは、世界最高のテクノロジー企業の専門家やオペレーターに直接ライブアクセスできます。そのアクセスは他のどこの大学でも得られません。通常、YouTubeでも見つけることはできません。そのため、ニュースレターやポッドキャストでMavenの専門家を多数取り上げてきました。
皆さんを支援するため、maven.com/x/aoshで推奨するコースのコレクションをまとめました。これには、PM向けAIプロトタイピング、PM向けプロダクトセンス、AIPM認定の取得などのコースが含まれます。今すぐmaven.com/x/aoshをご覧ください。
オーブンに入れて、魔法のように焼き上がって出てきます。
これを行いましょう。シェアしましょう。そのセッションが完了すると、これが得られるものです。わあ。これがダッシュボードです。これがパート1の結果です。これはカスタマーサクセスAIエージェントダッシュボードのみです。
要求した4つのタブがあります。カスタマーアナリティクスは、時間の経過における収益の観点からの全体的なカスタマービュー、カスタマーセグメント、トップ10カスタマーについて話しています。カスタマーファネルをクリックすると、ファネルを通じたコンバージョン率に関するより派手なチャートがあります。
エンゲージメントと定着率、ユーザーエンゲージメントメトリクス、NPS、アクティブユーザー、定着率、平均ユーザー、機能採用。再び、これら全てはテストデータから来ています。明らかに、ライブデータを接続できます。最後の部分はチャーンリスクです。チャーンリスクとは何か、高チャーンリスクの顧客が何人いるかを定義するテーブルがあります。
これらは全て、私たちがかなり馴染みのあるものです。このダッシュボードを見る際の次のステップは何でしょうか？カスタマーサクセスエージェントの場合、今度はこのデータを解釈し、理解し、分析し、インサイトを得て、アクションを実行する必要があります。それが重要な部分です。
この場合、カスタマーサクセスエージェントがそれを行う責任があります。この場合に行いたいのは、実際にそれを行ってくれるエージェントを書くことです。最終的に、ダッシュボードに戻ると、人間がループに入っている状態で実行できるアクションが利用可能になります。
これがダッシュボードのパート1の結論で、次に実際にデータを分析し、アクションを選択してくれる最初のエージェントセットの構築に進むことができます。
これまでに構築したものは、コード経由でこれらのチャート全てを構築しています。BIツールなどは使用しておらず、理論的に自分のデータベースに接続できるライブウェブサイトとして作成されているので、これらのダッシュボードをすでに持つことができます。
これがステップ1で、カスタマーサクセスエージェントが開発するかもしれないインサイトです。今度はそれらのアクションを実行します。
構築の障壁が非常に低いので、2〜3年前にこれを持っていなかったのはなぜかと感じます。数年前にこれがあったらよかったのに。
データを分析し、アクションを推奨するAIエージェントの構築に進みましょう。この場合、人間はエージェントの推奨に基づいてアクションを承認または実行します。これは人間がループに入っている使用例です。
最初に行うのは、Cursorに戻って、MCP経由でGibsonにエージェントアクションテーブルをスキーマに追加するよう依頼することです。行ったのはこのダッシュボードを構築することでした。今度はそれらのエージェントを保存する必要があります。エージェントが行っていることは何でも、それを保存する必要があります。そのため、Cursorにそれを行うよう依頼します。これが、GibsonとのMCP統合をCursorで使用する場所です。Cursorワークフローから直接それを行います。
Cursorスクリーンを共有しましょう。ここでエージェントに指示することは、このデータベースにagent actionsという名前のテーブルを作成することです。以下のフィールドを持ちます：カスタマーアカウント名、連絡先メール、連絡担当者、業界、チャーンリスク、チャーン理由、アクションメッセージ。本質的に、これはエージェントがユーザーが実行して承認できるアクションを書くことができる場所です。
Gibsonで構築を始めた際は、ウェブインターフェイスを使用していました。今回は実際にCursor IDEから直接テーブルを構築し、データベースをデプロイしています。Gibsonとはどちらの方法でも相互作用できます。
Gibsonを使用していなかった場合、ここで何を置き換えることになりますか？
PostgreSQL、MySQL、SQL server（リレーショナルの場合）、MongoDB（非リレーショナル）などの従来のデータベースを使用することになりますが、データモデルを取ってデータベースにデプロイし、データベースインフラを管理し、スケーリングと最適化を確保し、変更があれば移行を行う責任があなたにあります。Gibsonはそれを全て自動的に行うことができます。
スキーマを取得して、実際に生成する関数をテストデータに追加しようとしています。実際にテーブルを作成する代わりに、Pythonスクリプト経由でこれを行わないよう依頼できます。Pythonスクリプトを作成しないでください。実際に投入を行っています。テーブルを再デプロイするかどうか確認してみましょう。Gibson AIとステータスをチェックしており、radusスキーマがデプロイされている場合、再デプロイします。
再デプロイされたようです。素晴らしい。簡単に行うことの1つは、GibsonのGibsonに行って、Cursorで依頼したエージェントアクションテーブルを簡単に見せることです。ちょうどここに新しいエージェントアクションテーブルを作成しました。それがどこにあるか見てみましょう。ちょうどここです。Cursor経由で依頼しました。利用可能です。再デプロイしました。
今度は実際にCursorに戻りますが、CrewAIフレームワークを使用します。それが使用しているフレームワークです。CrewAIは、LangChainに馴染みがある方はLangChainのようなAIエージェントフレームワークです。
このAIエージェントを事前に書いています。これを行うのに時間がかかるからです。数時間かかります。日や月はかかりません。全体的なセットアップについて話します。ここには2つの概念があります。1つはエージェントです。これらは書いているエージェントです。
このファイルを見ると、4つのエージェントがあります。最初はデータベースクエリエージェントです。このエージェントの仕事は、持っているデータベース（CSAB1）をクエリし、データを抽出して情報を分析することです。専門知識には、複数の指標を通じて高リスク顧客の特定が含まれます。
チャーンリスクを示すかもしれない指標を見てみましょう。低活動レベル、時間の経過における使用パターンの減少、多数の未解決サポートチケット、低満足度スコア、購入頻度の減少、長期間の非活動、支払いまたは請求の問題。
探しているものを正確に特定する機会があり、完了すると、チャーンを分析するチャーン分析エージェントにデータを表示し、軽減戦略を提供する軽減エージェント、そして最後に、これらのアクションを取って先ほど作成したテーブルに戻すデータ取り込みエージェントがあります。
通常、カスタマーサクセスエージェントが行う仕事を行う4つのエージェントがあります。そして、エージェントにはタスクがあります。エージェントはタスクを呼び出します。これらは、正確に何をすべきかについて詳しく説明します。そして、これら全てがタスクを完了するためのエージェントのクルーとしてまとめられます。
ここには少しセットアップが必要です。これを行いました。今このエージェントを実行します。実際に、その前に見せたいことの1つは、これを私たちのデータベースに向けたので、異なるデータモデルがある場合、Crewエージェントはどのようにしてデータベースのコンテキストを知るのかということです。
行ったのは、非常に動的であることです。スキーマタブがどこにあるか見てみましょう。スキーマと呼ばれるものがあります。これは分析データベースのコピーペーストできるスキーマです。Crewはそのコンテキストを知っています。
ここで行えることは、Gibson MCPサーバーを使用してCSADB1のスキーマでスキーマを更新できますかと言うことです。異なるデータベースでこれを実行したい場合は、それを言うだけで、それを更新しに行きます。
これを開始します。プロジェクトを取得し、MCP ツール経由でGibsonと相互作用し、スキーマ定義を取得し、自動的に更新しています。ここにコピーペーストする必要すらありません。完了しました。
今行うのは、ここでメインエージェントファイルを実行することです。これを開始し、ここで指示したエージェントセットの仕事を実行しに行きます。
エージェントが動き出しました。実行には約3〜5分かかります。実行中に見せたいことの1つは、カスタマーサクセスアクションを見ると、エージェントアクションをクリックすると、これは空です。ここにはアクションがありません。実行されているカスタマーサクセスエージェントがそれを投入します。
Crewに戻りましょう。順番に実行されて作業する様子を見てフォローするのは非常に興味深く、エージェントが実際にどのように作業しているかを理解できます。今、チャーン理由エージェントを開始しています。チャーン軽減エージェント、これはカスタマーサクセスエージェントが行っている最も重要なことの1つです。
素晴らしい点の1つは、明らかにこれらのエージェントが常時実行されていることです。これらは24時間365日実行されているエージェントです。休みや有給を取ることはありません。常にその上にいて、非常に一貫しています。
私たちが直面した課題の1つは、ダッシュボードを提供し、それらが全て便利であっても、実際にそれらのアクションを実行し、物事の上にいる責任が個人にあることです。一部は本当に優秀で、一部はそうではありません。特に強力な評価に裏付けられている場合、このような方法でエージェントを実行することに問題はありません。
それらの評価を作成しましたか、それとも次のステップですか？
いいえ、このデモの一部ではありませんが、AIエージェントを実行している場合は、エージェントが意図した通りに行動していることを確実にするために、絶対に評価を行うべきです。エージェントに与えたいフィードバックも含めて。従来のSaaSソフトウェアに対しても持つであろう従来のエンドツーエンドテストケースのようなものです。
完了しました。ダッシュボードに戻りましょう。ここにアクションを多数投入しました。これらを見てみましょう。この特定の顧客について。リスクレベルは9です。アクションクルーが推奨するのは、実際にそれをクリックしてみましょう。
推奨しているアクションは、潜在的なチャーン理由は製品使用の困難かもしれません。顧客にメールを送信し、トレーニングセッションをスケジュールし、製品使用ガイダンスを提供してください。それが最初のものです。他のものを選んでみましょう。
2番目はエスカレーション用プロダクトチームです。未解決の顧客問題、顧客にメールを送信し、エスカレーション用プロダクトチームにメールを送信してください。ここでは、CSエージェントに「顧客にメールを送信してください」と推奨し、「プロダクトチームに連絡して、これらの問題を確実に修正してください」とも言っています。
トレーニングセッションをスケジュールし、製品使用ガイダンスを提供するなど、同様のものもあります。これらの全てで、メールまで作成してくれています。ここで行う必要があるのは、コピーペーストしてその特定の顧客やプロダクトチームにそのメールを送信するか、ここから直接アクションを実行するためにツールを接続することだけです。
それが、エージェントがここでアクションの推奨を提供しているステップ2です。最後のステップは、パート3です。パート1では人間がダッシュボードをデータ分析のツールとして使用するダッシュボードの構築から、データ分析を行いアクションを推奨するエージェントの構築まで進歩しました。
パート3では、さらに一歩進んで、それらのアクションを実行する2つのエージェントを追加します。メールの送信とプロダクトチームへのメール送信を見ました。さらに良くして、メールを送信する代わりに、Jiraボードにチケットを作成しましょう。
そのために、Crewエージェントに戻って、それらの2つの新しいエージェントを追加します。ここでエージェントが実行されました。ここで依頼することは、製品問題がチャーン理由の場合、Jiraにチケットを作成してください。
Crewを書いてください。Jiraツールを作成してください。これは新しいタスクとエージェントの組み合わせとツールになります。ドキュメンテーションを作成してください。特にそれが新しいツールの場合、Cursorにより多くのコンテキストを得るため、ドキュメンテーションを指定するのが好きです。
既存のエージェントツールを変更せずに、最終エージェントとしてメールエージェントを追加してください。メールエージェントは、チャーン軽減エージェントの結果に基づいてメールを送信する必要があります。AIメールツールを作成してください。メール用にSendGridを使用してください。そうでなければSMTPサーバーを立ち上げることになり、それは望ましくありません。そして最後に、再びドキュメンテーションがここにあり、プロジェクト全体のコンテキストを追加します。
フォルダ全体を与えて、実行させます。想像できるように、少しセットアップが必要です。SendGridアカウントが必要で、それをenvoにコピーペーストし、Jiraボードも必要で、Jiraでアプリを作成し、エージェントが実際に作成できるよう、そのアプリIDとAPIトークンも提供する必要があります。
それらのエージェントを書きに行きます。その間に見せたいのは、私のメールとJiraボードです。エージェントを書いて実行した後の状態と、現在の状態を見ることができるように。
これが私のメールです。データベースから顧客メールを使用している間、ランダムな人にメールを送信しないよう、デフォルトで私のメールを使用したいと思います。私のメールをデフォルトとして使用します。
ここが私のJiraボードです。CSAデモを作成しました。現在作成されたチケットはありません。今度は、Cursorに行って、自律的な完全に完成したカスタマーサクセスエージェントを見せます。
ここのエージェントを見てみましょう。これらは、データベースクエリエージェント、チャーン分析エージェント、チャーン軽減エージェント、データ取り込みエージェントなど、馴染みのあるものです。私たちが見て実行した4つのエージェントです。
今度はメール配信エージェントがあります。これはメールコミュニケーションスペシャリストで、軽減戦略に基づいて高リスク顧客にパーソナライズされたメールを送信します。そのバックストーリーがあり、エージェントが確実に行うべき多くのことがあります。バッチ送信用のメールの準備、テストモードと本番送信の使い分け、メールコミュニケーションのベストプラクティスへの準拠など。
そしてJiraチケットエージェントがあります。役割はプロダクト問題マネージャーです。製品関連の問題を経験している顧客のためにJiraチケットを作成します。本質的に、これは要約されたJiraチケットを作成してくれます。
この場合、行うことは、環境をセットアップする必要があるかもしれません。試してみましょう。readmeがあります。ここで仮想環境をインストールし、それをアクティブ化し、依存関係をインストールします。正しいフォルダに行く必要があります。依存関係をインストールし、python.pyを実行できます。これがここでエージェントを開始することになります。
これも実行に数分かかります。最終的に、Jiraボードで作成されたJiraチケットと、エージェントの代理で送信されたメールを見るはずです。これは、自動的に分析し、アクションを特定し、実際にそれらのアクションを実行することのループを完成させます。
想像できるように、ワークフローに非常に特化した多くのエージェントを非常に簡単に追加できます。エージェントが製品が高価であることを発見し、理由が他の場所でより安く見つけたということであれば、割引やクーポンを送信する機会があります。
競合に関する懸念がある場合は、なぜ我々が他より優れているかについての資料を送信できます。人々が他に切り替えようとしている場合もあります。素晴らしい点は、人々がチャーンした後にこれを行って、物事を特定し、彼らを取り戻そうとするのではなく、チャーンしている時にはるかに早くこれを行っていることです。それがここでの重要な部分です。
CSエージェントが見ることができる多くのことがあるため、プロアクティブであることは常に困難です。このようなカスタマーサクセスエージェントを実行することで、チャーンする前に顧客を捕捉できます。
これを作成した方法、特にこれらのいくつかのことに対する人間のループチェックを使用して、現在持っているCSエージェントを10倍効果的にする方法として見ています。
カスタマーサクセスは人間がループに入る必要がある機能だと感じています。そのため、ダッシュボード、人間がループに入っているエージェント、そして自律的なものに分けました。ランダムなメールを送信して問題を悪化させるだけになることは避けたいからです。誰かが実際にこれらを見ていることを確実にしたいのです。
しかし、理論的には、望むなら、私たちが話しているように、LLMがこれが行っていることを評価し、もう一歩進みたい場合はそれも承認するような評価を書くことができます。
そして、私たちが使っているように、Cursorを使用して、テキスト言語プロンプトでそこに到達することができるようです。
今日では、ほとんどのツールにMCPサーバーがあります。それらを接続してワークフローを実行することは間違いなくできます。Cursorだけでなく、それをサポートできるMCPクライアント、MCPクライアントを持つエージェントであれば何でもそれを行えます。
CrewAIについて少し話しました。ここでのそのツールの役割は何でしたか？
CrewAIは、メモリ管理、ツール定義の観点、チェーン化、デバッグの観点から、多くのことを抽象化するAIエージェントフレームワークです。それらは全てCrewによって行われます。
セットアップの方法が非常に分かりやすく、一度知ってしまえば、バックストーリーを調整できるため、準技術者にとってもより関連性があると感じています。エージェント側からプロンプトの観点で書きたいことを調整して、Crewに望むことを行わせることができます。
LangChainという他のフレームワークもあります。LangChainはもう少し深いと思います。しかし、これは準技術者により的を絞ったものだと感じました。間違いなく技術者にも向いています。
完了しました。実行が完了しました。約3分かかりました。望むフレームワークを自由に選択できます。このデモでは、特にPMのバックグラウンドもあるため、これが非常に意味があると感じました。技術的ですが、純粋な開発者ではありません。
それらのJiraボードとメールをチェックしに行きましょう。
これがJiraボードです。3つのチケットを作成しました。1、2、3。これをクリックしてみましょう。顧客は製品使用に関する未解決の顧客問題に直面しており、現在未解決です。8つのチケットは製品への継続的なエンゲージメントにとって重要です。非常に特定のチケット情報があれば、これを得ることができたでしょう。しかし、これは本質的にバグとして作成されました。
これについて素晴らしかったことの1つは、チャーンリスク顧客報告というラベルを付けたことです。明らかにここで非常に重要な優先順位決定を行うことができます。プロダクトチームとして、これを作成しただけです。
メールは時々時間がかかることがありますが、実際に表示されました。4通のメールです。これを見てみましょう。お元気であることを願っています。未解決の問題について心から謝罪したいと思います。割引を提供したいと思います。わあ。これは一歩進んでいます。
明らかに、私たちからではなく特定のカスタマーサクセスエージェントから来るよう簡単に設定できます。問題を一緒に解決し、製品での体験を向上させましょう。お手伝いします。
4通のメールを送信し、同時にJiraボードで3つのJiraチケットを作成しました。素晴らしい。これで私たちのライブクッキングセッションをカバーします。今日、今日説明した概念を使用してAIカスタマーサクセスエージェントを作成しました。
人々が作成できる他のAI従業員は何でしょうか？
ほとんど全ての情報作業が自動化の対象だと思います。以前にプロダクトマネージャーを取り上げました。SDRは非常に人気のある使用例です。営業開発担当者です。初期リードを獲得しに行く人です。
ミーティング準備エージェント、エグゼクティブアシスタントもあります。これらのエージェント全てを連鎖させて、あなたに特化した特定の役割を作成できます。採用担当者として機能するAIエージェントもあります。JDに基づいて履歴書を分析し、選択する多くの事前作業を行います。これらは全て非常に人気のある使用例です。
構造化または非構造化データをまとめてアクションを実行することに関わる全ては、自動化の対象です。
基本的にここでの基準は、情報を取り込み、情報を送信することを含むビジネスの任意のタスクに対してAI従業員を構築できるということです。Jiraチケットの作成、メールの送信を見ました。それらのヒューマンコネクタータスク全てを今では実行できます。それは素晴らしいデモでした。
最後に数分間、あなたについてもう少し学びたいと思います。SiriでプロダクトヘッドとしてMicrosoft、Leaf LinkでCPOとして働かれました。Gibsonを作成するこのプロセスにどのように入ったかについて少し話してください。
Appleの前は、Microsoftでほぼ10年間過ごし、私の中核的な焦点は開発ツールと開発者フレームワークの構築でした。主にMicrosoft Dynamicsで開発者として働き、その後同じ製品でPMになりました。
特にソフトウェアの構築、データベース周りのインフラ構築に関して、最大の課題を直接見ました。それらの多くはまだ解決されておらず、これらの問題はAppleやLeafでの次の役割でも続きました。
ソフトウェアを迅速に提供することの最大の障害、顧客の問題を迅速に解決することは、ソフトウェアの提供であり、それはエンジニアリングチームがそれを開発することに依存しています。エンジニアは必要ないとAIがコードを書いてくれると言える場所にはまだいないと思います。まだそこにはいないと思いますが、ジュニアエンジニア、シニアエンジニア、そして一般的に任意の人を自分の10倍バージョンにするのに十分なツールがあります。
それがGibsonを構築する背後の推進力です。開発スタックのデータベース層に焦点を当てています。設計、開発、デプロイメント、管理、そして現在のコーディングツールが行わないデータベースのスケーリングまで、全ての道のりに焦点を当てています。
コーディングツールはデータモデルとスキーマを書くことができるかもしれませんが、スキーマとデータモデルを書くだけよりも、データベース管理にははるかに多くのことが関わっています。スキーママイグレーション、データマイグレーション、クエリ最適化、行うスキーマ変更の影響など、大きなコンポーネントがあり、私たちはGibson経由でそれら全てを処理しています。
現在、PLGの観点から0から1の使用例を解決し、エンタープライズ顧客には既存のデータベースも解決できます。
全てがうまくいけば、Gibsonの今後3〜4年間での壮大なビジョンは何でしょうか？人々はGibsonで何を構築するでしょうか？
私のビジョンは、テクノロジー製品、AIエージェント、データ駆動製品を構築している全ての個人が、データベースの管理、インフラのスケール、そして0から1、1から100への旅でバックエンドとしてGibsonを使用していることです。
10ユーザーから100ユーザー、数千万ユーザーにサービスを提供する場合でも、Gibsonがあなたの旅に一緒にいて、スケールを非常に簡単にします。
Gibsonで見たばかりのように、私のお気に入りの使用例の1つは、Gibsonをバイブコーディングツールに接続することです。もはやプロトタイプを構築しているわけではありません。非常に重要な本格的なプロダクショングレードのデータベースに支えられています。すでにクラウドにデプロイされています。これを公開して明日1万ユーザーが来ても、私たちは処理できます。
とても迅速ですよね？数秒でデータベースをプロビジョニングしてデプロイしました。これらは多くの作業を要することです。そして重要なことの1つは、楽しくないということです。インフラとデータベースの管理を楽しむ開発者は全員ではありません。彼らはただコードを書きたいのです。私たちは面倒な作業を処理します。
今日見せていただいたツールを使って、バイブコーディングとプロダクショングレードのデータベースを超えて、実際に会社の従業員として機能するものを出すことができると言っても良いでしょうか？
もちろんです。私が言いたいことの1つは、バイブコーディングでも、コパイロットとしてデータベースを使用していても、今日は時間の都合上行いませんでしたが、AIが生成するコードはよく読んで、盲目的に受け入れるのではなく、それが望むコードであることを確認してください。
私は通常、エージェンティックモードでコーディングしません。私のチームの多くの開発者は、確実にAIを使用しますが、実際にコードを書いてもらうのではなく、文を完成させるコパイロットモードで使用します。実際に受け入れているものを読んでいることを確認してください。
ハリシュさん、もう1時間あれば、もう1時間できました。今日AI従業員を構築するのを手伝ってくださり、ありがとうございました。
ありがとうございます、アカシュ。お招きいただき光栄でした。
このエピソードを楽しんでいただけたことを願っています。YouTubeで登録し、AppleとSpotifyポッドキャストでフォローし、評価とレビューを残していただければ、私とチームにとって大きな意味があります。これらの評価とレビューは番組の成長に本当に役立ち、他の人が番組を発見するのを助け、制作資金を助けて、より大きくより良い制作ができるようになります。次のエピソードを皆さんと共有するのが待ちきれません。それまで、また後で。
コメント