AIエージェント
Googleの出しているWhite Paper(2024-09)
Agents | Kaggle
1. エージェントの概要
- エージェントとは何か
- 単独の大規模言語モデル（LLM）では得られない、外部ツールや外部データとのやりとりを可能にする仕組み。
- ユーザーのゴールを達成するために、モデルが自律的に情報を取り込み、計画（推論）し、ツールなどを使って行動（API コールなど）できるようになる。
- エージェントとモデルの違い
- 単なるモデル：学習データ内の知識に基づき、ユーザーの問いに一度だけ推論し、回答する。外部のAPIやデータには標準ではアクセスしない。
- エージェント：外部データへのアクセスや外部ツールの活用が可能で、複数ターン（マルチターン）の文脈管理や実行計画を持って問題解決を行う。
2. エージェントのコア構成（認知アーキテクチャ）
- エージェントには大きく3つの要素があると解説しています。
- モデル（language model）
- 推論の中核を担う言語モデル(LLM)。ReAct、Chain-of-Thought、Tree-of-Thoughtsなどの推論フレームワークを用いて「どのツールをどう使うか」や「ユーザーの質問への回答」を考える。
- ツール（Tools）
- モデル単体では行えない外部システムへのアクセスやAPIコールを担う。
- たとえば「天気情報API」「データベース更新API」「Google Flights API」「Google Search API」など。
- [ツール操作](/ja/%E3%83%84%E3%83%BC%E3%83%AB%E6%93%8D%E4%BD%9C)
- [オーケストレーション層](/ja/%E3%82%AA%E3%83%BC%E3%82%B1%E3%82%B9%E3%83%88%E3%83%AC%E3%83%BC%E3%82%B7%E3%83%A7%E3%83%B3%E5%B1%A4)（The orchestration layer）
- モデルの出力やツールからの結果を受け取りつつ、最終的にどの順番で何を実行し、どう返答するかを制御する仕組み。
- ここで「思考→行動→観察」というループを何度も回しながら、ユーザーのゴール達成を図る。
3. 具体的な推論・実装の流れ
- [ReAct](/ja/ReAct), [Chain of Thought](/ja/Chain%20of%20Thought), [Tree-of-Thoughts](/ja/Tree-of-Thoughts)
- エージェントが「思考」を文章化する手法（思考過程を明示して推論する）や、解答に至る中間ステップをより強化する手法が紹介されている。
- ReAct フレームワークの例では、「Thought（考え）→ Action（ツール実行）→ Observation（結果確認）」を繰り返し、最終回答を生成する流れを詳細に解説している。
- 外部ツールを扱うための方法
- Extensions
- [Vertex AI](/ja/Vertex%20AI) が提供する仕組みで、エージェントが外部APIを直接コールしてやりとりするための標準化されたインターフェース。
- APIの引数（パラメータ）や使用例をエージェントに教えることで、エージェントが自発的に最適なAPIコールを判断して実行できる。
- Functions（[Function Calling](/ja/Function%20Calling)）
- エージェント側では「呼び出すべき関数名と引数」のみを提案し、実際のAPIコールはアプリケーション（クライアント）側で行う設計。
- 認証やセキュリティ、バッチ実行、フロントエンドが先に介在するような場合に便利。
- 例として「display_cities」という関数をエージェントが呼び出し、パラメータをJSON形式で返す。その後、クライアント側がAPIコールや追加処理を行うフローが解説されている。
- Data Stores
- RAG（Retrieval Augmented Generation）的な設計で、ベクターデータベースを活用し、ユーザーのクエリに合わせて必要な外部ドキュメントを検索・参照できる。
- モデルの学習データにない最新情報やドキュメントを取り込み、回答の正確性・鮮度を高める。
Building effective agents \ Anthropic
AIエージェントの評価｜Weights & Biases Japan
The Shift from Models to Compound AI Systems – The Berkeley Artificial Intelligence Research Blog