マルチエージェントにすれば賢くなる、という流れが強いけど、台数を増やすほど勝てるわけじゃない。むしろエージェントが処理を増やすほど、人間が評価・承認する負荷は上がる。増やす前に、その出力を誰がどう確かめるかを先に決めるべきだ。

マルチエージェントの協調、毎回テキストでやり取りするのは高コストでした🔄 協調そのものを「潜在空間の再帰」でスケールさせる発想が新しいです。 タイトル: Recursive Multi-Agent Systems URL: 🔄 概要 複数エージェントの協調を、逐次的なテキスト交換ではなく、統一された潜在空間上の再帰的計算として捉える枠組みRecursiveMASの提案です。異種のエージェントをRecursiveLinkモジュールで接続し、潜在的な思考の生成と状態転送を可能にします。 ❓ 解決する課題 マルチエージェントシステム（MAS）は通常テキストベースの通信に依存します。 ・エージェント同士が自然言語でやり取りすると、トークンを大量に消費し計算コストが高い ・「協調そのものを再帰でスケールできないか」という問いが出発点でした 💡 方法論と提案手法 ・システム全体を潜在空間上の再帰的計算として定式化します ・RecursiveLinkモジュールが異種エージェント間を軽量に接続し、再帰ラウンドをまたいだ勾配ベースの貢献度割り当てを行います ・最適化は内側・外側のループ学習で実施し、理論的な安定性も保ちます 📊 実験結果 数学・科学・医療・検索・コード生成にまたがる9ベンチマークで、4つの協調パターンを検証しました。 ・平均精度が8.3%向上 ・推論が1.2倍〜2.4倍に高速化 ・トークン使用量を34.6%〜75.6%削減 精度を上げながら、速度とコストを同時に大きく改善しています。 #マルチエージェント# #LLM#

AIエージェントをエンタープライズシステムに組み込むプラクティス 【シングル vs マルチエージェント】 💡 「全部入りの万能エージェント」を作ろうとしていませんか？ その判断こそが、システムの成否を分ける最初の分岐点です。 🔥 解決する課題 - 単一エージェントではツール数や文脈窓の制約で複雑タスクに対応できない - ドメインごとに異なる知識・権限・モデルを使い分けられない - 独立タスクを直列処理して応答時間が肥大化する - マルチ構成での副作用の競合リスクが制御不能になる 🏗️ 提案パターン シングルエージェントは1つのLLMループが全ツールを持ち逐次処理します。ツール30個以下・単一目的・低レイテンシ要求なら最適解です。一方マルチエージェントはオーケストレータが専門ワーカーに委譲し、並列調査で時短を実現します。重要なのは「書き込みは1エージェントに集約し、他は読み取り専用」という副作用集約の原則です。コスト・レイテンシはマルチの場合シングルの数倍になる点を忘れずに。 ✅ 選定条件 - 向き（シングル）：単一目的、ツール少数、コスト敏感、デバッグ容易性重視 - 向き（マルチ）：専門領域が分離可能、並列調査で時短、文脈窓が単一で破綻 - 不向き：副作用が多く競合リスクが高い処理をマルチで行うこと ⚠️ 落とし穴 - 「とりあえずマルチ」は複雑性・コスト・デバッグ難度を一気に上げる - マルチ構成で複数エージェントが書き込むと競合・不整合が頻発する - シングルで始めて、本当に破綻してからマルチに移行するのが安全 🛠️ 実装方針 1. まずシングルエージェントで構築し、ツール数・文脈窓・レイテンシの限界を実測します 2. マルチ化する場合はLangGraphやCrewAIでオーケストレータ/ワーカー構成を採用し、ワーカー間の通信は共有状態ストア（Redis等）で行います 3. 副作用の集約ルールとして「書き込みは1エージェントのみ、他は読み取り専用」をコード規約で強制します 4. A2A（Agent-to-Agent）プロトコルでエージェント間のインターフェースを標準化し、ワーカーの追加・入替を容易にします 5. シングル→マルチの移行判断基準（ツール数30超、文脈窓使用率80%超等）をダッシュボードで可視化します #AIエージェント# #エンタープライズアーキテクチャ#

🧩 「エージェントを増やせば速くなる」は本当か？マルチエージェントLLMを分散システム理論のレンズで分析したら、アムダールの法則も通信オーバーヘッドもそのまま効いていました。 タイトル: Language Model Teams as Distributed Systems URL: 📝 概要 本論文は、LLMのマルチエージェントチームを分散システムとして捉え、協調・整合性・スケーラビリティの理論で設計・評価する枠組みを提案します。試行錯誤ではなく、分散コンピューティングの蓄積を直接活かす発想です。 ❓ 解決する課題 チーム性能はタスク依存性が高く、通信オーバーヘッドや一貫性の衝突、誤りの増幅といった弊害もありました。「いつチームが個を上回るか」を予測する原理的枠組みが欠けていました。 💡 方法論と提案手法 ・LLMチームと分散システムが共有する4性質（独立性・通信・並行性・可謬性）を起点に分析します ・アムダールの法則、集中型vs分散型、整合性の衝突、O(n²)の通信、ストラグラー、コスト効率の原理を適用します ・協調コーディングで2実験（集中型/分散型）、チームサイズ1〜5、並列/混在/直列タスク、複数モデルで検証します 🎯 ユースケース マルチエージェントのコード生成・レビュー、データ分析の並列分解、そして「マルチエージェントが有益か有害か」を実装前に予測する設計判断やコスト予算化に役立ちます。 📊 実験結果 ・並列タスクは中央値2.0倍超で高速化、直列タスクは約1.2倍止まり（アムダールの法則を実証） ・高速化の中央値は集中型1.36倍に対し分散型0.88倍と、分散型はむしろ遅くなりました ・テスト失敗の中央値は分散型19件 vs 集中型4件と、一貫性の衝突が顕著でした ・直列タスクではトークン5.83倍に対し高速化1.13倍と、コスト効率の悪化も定量化されました #MultiAgent# #DistributedSystems#

AIエージェントの回答を「検証可能で説明できる事実」に根拠づける——ナレッジグラフ＋GraphRAG＋エージェントのフルスタックをまるごとオープンソースで提供する基盤です🕸️ タイトル: trustgraph-ai/trustgraph URL: 🕸️ 概要 AIエージェントのためのオープンソースのセマンティック・デプロイメント基盤です。コアは「コンテキストグラフ」（ドメイン知識を構造化しクエリ可能にした表現）。コンテキストグラフ・メモリ・検索・オーケストレーション・推論を、決定論的なエージェント向けにフルスタックで提供します。 ❓ 解決する課題 LLM単体では、なぜその答えになったのかを辿りにくく、ハルシネーションのリスクもあります。 ・エージェントの回答を、検証可能で説明可能な事実に根拠づけるのが難しい ・TrustGraphはナレッジグラフ構築とGraphRAGを組み合わせ、意味的に豊かで検証可能なコンテキストにアクセスできるようにします ・しかも主権的に管理できるプライベート環境で実現します 💡 主な特徴 ・マルチモデルDB（表・KV・ドキュメント・グラフ・ベクトル）とマルチモーダル対応、エンティティ/関係の自動抽出 ・DocumentRAG・GraphRAG・OntologyRAGのパイプラインと、3D GraphVizによる可視化 ・単一/マルチエージェント、ReAct・Plan-then-Execute・Supervisorパターン、MCP統合 ・Context Cores：スキーマ・グラフ・埋め込み・エビデンス・検索ポリシーを束ね、コンテキストをコードのようにバージョン管理 🌍 技術スタック / 使い方 ストレージはCassandra・Qdrant・Garage、メッセージングはPulsar等、LLMはAnthropic/OpenAI/Google等＋ローカル推論（vLLM/Ollama等）に対応。npx @trustgraph/configで構成し、ポート8888のUIから利用できます。Apache 2.0ライセンスです。 #GraphRAG# #ナレッジグラフ#

# AIエージェントをソフトウェアに組み込むプラクティス # 階層化メモリ 🎯 「全部コンテキストに詰め込む」設計は、ウィンドウ溢れとハルシネーションの永続化を同時に引き起こします。 メモリを3層に分けるだけで、コンテキスト効率と記憶の信頼性を両立できます。 🔥 解決する課題 エージェントが複数ターンに跨がるタスクを扱うとき、すべての情報をコンテキストウィンドウに詰め込む「フラット記憶」では2つの問題が同時に起きます。会話履歴・ユーザ属性・中間結果・外部知識が混在するとウィンドウが溢れ、古い情報から押し出されて文脈が断絶します。さらにLLMが生成した推測をそのまま永続化すると、ハルシネーションが長期記憶に定着し、以降のセッションを汚染し続けます。 💡 提案パターン メモリを作業記憶（ターン内の中間状態）・短期記憶（セッションストア、TTL付き）・長期記憶（ベクトルDB/KVS）の3層に分離します。作業記憶は自由に読み書きし、コンテキストリセットで消えます。短期記憶には信頼度タグを付与し、ユーザ発話由来は高信頼、LLM推測由来は低信頼とマークします。長期記憶への昇格には反復確認やユーザ承認を要求し、ハルシネーションの永続化を防ぎます。failure_costが高い領域ほど昇格閾値を厳しくし、TTLを長めにとって安全側に寄せます。 ✅ 選定条件 使うとき： - 複数セッションにわたって情報を引き継ぐ必要がある - 中間結果の量がコンテキストウィンドウの30%を超える見込みがある - 確定事実と推測の区別が必要で、誤った記憶の波及影響が大きい 使わないとき： - 1ショットで完結しセッション間の引継ぎが不要な場合 - コンテキストウィンドウに全情報が収まる場合 - メモリの書込制御だけが課題で、階層分離自体は不要な場合 ⚠️ 落とし穴 - 作業記憶と短期記憶の境界が曖昧になりがちです。外部ストアへの書込を境界線にし、LLMの内部状態に頼らないでください - 長期記憶のエントリ数が増えると無関係な記憶がコンテキストに混入し、ハルシネーションの原因になります - マルチエージェント構成で各Workerが直接長期記憶に書き込むと整合性が崩れます。長期記憶はSupervisorが一元管理しましょう 🔧 実装方針 - 作業記憶（dict/インメモリ）・短期記憶（Redis等TTL付きセッションストア）・長期記憶（ベクトルDB）の3層を明確に分離し、外部ストアへの書込を境界線とします - recall時はコンテキスト予算内で3層から関連情報を想起し、関連度と信頼度でランク付けして注入量を制御します - 短期→長期への昇格には信頼度スコアの閾値チェックと承認状態の検査を設け、未検証情報の永続化を防ぎます - 記憶種別ごとにTTLを設計し（リアルタイムデータは分単位、ユーザ嗜好は週単位、不変属性は無期限）、failure_costが高いほど短めに設定します #AIエージェント# #ソフトウェアアーキテクチャ#

企業でAIエージェントを動かす鍵は「賢さ」より「統制」。女王蜂と働き蜂のアーキテクチャが答えを示します🐝 タイトル: Queen-Bee Agents: A BeeSpec-Centered Architecture for Governed Enterprise MCP Orchestration URL: 🐝 概要 中央の「女王（Queen）」制御プレーンが実行を統率し、専門の「働き蜂（Bee）」が制約付きアクセスで動くマルチエージェントシステムです。ガバナンスを効かせた企業向けのMCPオーケストレーションを実現します。 ❓ 解決する課題 企業がエージェントを導入するとき必要なのは生の能力だけではありません。LLMを社内ツールやMCPに繋ぐ際、ポリシーの強制、テナント単位の分離、明示的な運用境界を越えない実行という統制が不可欠でした。 💡 方法論と提案手法 ・核心はBeeSpec：Queenがコンパイルする構造化仕様で、各Beeのタスクスコープの実行パラメータを定義 ・テナント分離されたMCPコネクタで分離を担保 ・監査に裏付けられた実行時ガバナンス ・検索駆動の能力付与で、必要な能力を動的に付与 ・複数バックエンドをサポート 📊 実験結果 ・検索駆動バリアントは59の企業タスクで成功率0.964 ・ガバナンス違反ゼロ ・単一エージェントや静的ベースラインよりスコープ付き実行の品質が優れる ・承認ゲートを伴う複数Beeのワークフロー協調を実証 #AIエージェント# #MCP#

🌐 強いAIエージェントを作る鍵は、実は「エージェントが動く環境の設計」かもしれません。環境エンジニアリングという視点を体系化した、全63ページのサーベイです。 タイトル: Agentic Environment Engineering for Large Language Models: A Survey of Environment Modeling, Synthesis, Evaluation, and Application URL: 📝 概要 LLMエージェントは単独でなく、相互作用する「環境」の中で動きます。本サーベイは、その環境そのものを工学的に設計・構築する「環境エンジニアリング」という観点から、研究の全体像を体系化しています。 ❓ 解決する課題 これまで「環境の作り方」は断片的に語られてきました。エージェント能力の向上が良い環境設計に大きく依存するにもかかわらず、それを統一的に整理する枠組みがなかったのです。 💡 方法論と提案手法 環境を開発ライフサイクルに沿って4つの柱で分類します。 ・環境モデリング：代表的な環境の特徴づけとコア能力の評価 ・環境合成：シンボリック合成とニューラル合成の2パラダイム ・環境評価：合成パラダイムに整合したドメイン固有の評価 ・環境応用：記憶中心・ワークフロー中心・軌跡中心・探索中心という、エージェントと環境の共進化4経路 🎯 ユースケース エージェント研究者が自分の取り組みを地図上に位置づけ、抜けている観点を見つける指針になります。環境合成・評価・自己進化の設計を考える際の出発点としても有用です。 📊 トレンドと展望 ・進化のアプローチを、ニューラル駆動・難易度駆動・スケーリング駆動の3系統で整理しています ・8つの属性と8つの応用ドメインを軸に分析しています ・今後の方向性として、Environment-as-a-Service、マルチエージェント、ニューラル・シンボリック統合を挙げています #AIエージェント# #LLM#

Sakana AI がサービス基盤に Gemini Enterprise Agent Platform を採用した理由 → 新世代のマルチ エージェント AI モデル「Sakana Fugu」開発にあたり、難しい要件を実現するために選ばれたのが Google Cloud でした。サイエンティストの皆様に開発の舞台裏をお伺いします。

ベースモデルに依存しないオーケストレーションに向けて ブログ： Sakana Fuguは、マルチエージェントのオーケストレーションを一つの基盤モデルとして提供するプロダクトです。一つのエンドポイントにリクエストを送ると、Fugu自身が処理の仕方を判断しモデル群に適切に タスクを割り振り、単一モデルを超える性能やコスト性能を達成します。 Sakana Fuguは、実際の処理を担う「モデルプール」と、どのモデルにどう任せるかを判断する「指揮者モデル」の二層構造です。モデルプールは当初から入れ替え可能な設計になっています。今回、モデルプールだけでなく、指揮者モデルに関しても、新しくオープンモデルであるGemma 4をベースに訓練し、当社の評価セットで従来と遜色ない性能とコスト削減効果を確認しました。 今後は自社開発モデルをベースとした指揮者モデルにも取り組み、求められるソブリン性の要件に応じてモデルオーケストレーションのポテンシャルをお届けできる体制を整えていきます。