AIエージェント設計
AIエージェント設計
ReAct・ツール使用・リフレクション・RAG・マルチエージェント… LLMを「賢く動く」エージェントにするための設計パターンを、仕組みと使いどころで整理する。
解説記事
設計パターン
どんなパターンか→仕組み→使いどころと注意→まとめ。LLMアプリを設計する時の引き出しを増やす。
Plan-and-Execute：先に計画してから実行する
多段タスクでエージェントが脱線し、トークンも膨らむ——先に計画を立ててから実行するPlan-and-Executeなら道筋を保てる。サブゴール分解と、想定が外れたときの再計画を、ReActとの違いから整理する。
RAG：検索でLLMに最新の知識を持たせる
LLMが知らない社内文書や最新情報でも、関連箇所を検索して文脈に入れれば答えられる。ハルシネーションを抑えて出典も示せるRAGの仕組みと、回答品質を決めるチャンク設計・リランクの勘所を押さえられる。
ReAct：推論と行動を交互に回すエージェントの基本形
手探りで問題を解くLLMに、Thought（思考）・Action（ツール実行）・Observation（観察）のループを与えるReActを押さえれば、途中結果を見ながら次の一手を選ぶエージェントを、最小の部品で確実に組み立てられる。
エージェントのメモリ：短期と長期をどう持たせるか
会話履歴はすぐ溢れ、エージェントは昨日の文脈を忘れる。短期メモリと長期メモリを分けて設計し、有限なコンテキスト窓に何を載せ何を外部へ逃がすかを、想起と要約の観点から整理できる。
ガードレールと評価：エージェントを安全に走らせる
エージェントは確率的に動くため誤動作を完全には防げない。入出力の検証、プロンプトインジェクション対策、承認ゲート、暴走検知、LLMによる評価を多層に重ね、信頼して任せられる仕組みの作り込み方を整理できる。
ツール使用（Function Calling）：LLMに外部世界を触らせる
テキストを書くだけのLLMを、検索やAPI呼び出しまでこなす実行主体へ引き上げるのがFunction Callingだ。関数スキーマを渡すとモデルが呼び出しをJSONで指示し、ホストが実行して結果を戻す。この一往復の設計を理解できる。
マルチエージェント：役割分担で難しい仕事を分ける
1本のプロンプトでは抱えきれない難しい仕事を、役割を分けた複数のLLMエージェントで分担する。オーケストレータが並列調査や独立レビューで成果を高める勘所と、いつ分けるべきかの判断軸を整理できる。
リフレクション：出力を自己批判して直すループ
コード生成・推論・文章の品質を、モデル自身の批評で一段引き上げる手法がリフレクションだ。生成と評価と修正を繰り返すループの組み方、反復上限や停止条件の決め方、コストとの釣り合いまでを原理から整理できる。