🧩 「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#

開発の前提が変わったので、検証にかかる工数を意識しよう、という内容。 ・従来の生産性指標は、コーディングがボトルネックである前提で作られている ・AIの普及によってその前提はすでに崩壊した ・コードを書く時間が減った分、AIが生成したコードの検証に多大な時間を奪われているから ・記事では、タスクを検証の難易度で2つに分けるべきだという主張 ・1つ目は、定型的なAPIクライアントやテスト作成などの予測可能なタスク ・これらはAIで加速しやすく、コーディングの速さがそのまま開発の速さに直結 ・2つ目は、分散システムの連携やフォールトトレランス設計など複雑なアーキテクチャ構築 ・AIはこれらのタスクでも即座にコードを生成できる ・ただ、高負荷時の正しさを人間が検証することは非常に困難 ・開発のボトルネックは、コードの生成から検証の担保へと完全に移行している ・そのため、作るのにどれくらい時間がかかるか、で工数を見積もるべきではない ・これからは、検証にどれくらい時間がかかるかを考えた方が良い ・優秀なエンジニアは、リスクの高い検証領域への配置が必須になるだろう

サービスが落ちた時、みんなが一斉にリトライすると、小さな障害が全社規模のインシデントへ膨れ上がる。その「リトライストーム」をUberが抑え込んだ話です。 タイトル: How Uber Protects Against Retry Storms URL: 下流サービスの障害時に上流の全サービスが同時にリトライしてトラフィックが指数関数的に増幅する「リトライストーム」を、「エラーの原因は誰か」を区別する仕組みで防ぐ取り組みです。 注目ポイント 🔍 エラーを「主張」するのは原因サービスだけ 下流呼び出しが成功したのに自サービスがエラーを返した場合だけ「エラーを主張」し、下流が原因なら「主張を取り下げる」。原因となっているサービスだけがリトライする設計です。 🔁 リトライ予算と伝播でさらに増幅を抑える 各ホップのリトライを一定割合に制限する「リトライ予算」で、増加を指数的ではなく乗法的に抑制。リトライが失敗すれば「主張されていない」状態を上流へ伝えてさらなる増幅を防ぎます。 📊 実際の障害で950万件のリクエストを阻止 2025年11月18日の障害では、この仕組みがなければトラフィックが46〜135%増加していたところ、実際には950万件の無駄なリクエストと直近呼び出し元の最大20万件の追加リクエストを阻止。全社的にもリトライストームの最大半径を25ホップから3ホップへ縮小しました。 サービスごとの手動チューニングなしに、共有インフラだけで障害の連鎖を自動的に止められる設計は、実運用への応用価値が高いと感じます。 #信頼性エンジニアリング# #分散システム#

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 【エージェント・レジストリ / 社内マーケットプレイス】 💡 社内で似たようなエージェントが乱立していませんか？ 全社のエージェント・ツール・スキルをカタログ化し、発見・再利用・ガバナンスを一元管理するパターンです。 🔥 解決する課題 - 各チームが類似のエージェントを個別に開発し、リソースが分散する - eval未実施・テスト不十分なエージェントが本番環境に入る - 開発者の異動後にメンテナンスされないエージェントが残る - どのエージェントが何の権限でどのデータにアクセスしているか把握できない 🏗️ 提案パターン 各エージェントにメタデータ（所有者・対象部署・必要権限・eval結果・コスト実績・SLA・バージョン）を付与し、ServiceNowやBackstage的なサービスカタログに登録します。利用申請・承認フローでガバナンスを確保し、新規公開前にはeval gateの通過を必須とします。バージョン管理で変更履歴を追跡し、廃止時には非推奨化、依存者への通知、停止という段階的なライフサイクルで管理します。 ✅ 選定条件 - 向き：エージェントが乱立し始め、重複開発や所有者不在が課題になっているフェーズ - 不向き：エージェントが数個の初期段階（レジストリのオーバーヘッドが見合わない） ⚠️ 落とし穴 - レジストリの登録を任意にすると形骸化します。CI/CDパイプラインに組み込んで強制するのが有効です - メタデータの鮮度維持を怠ると、カタログが信頼されなくなります - 廃止プロセスなしに削除すると、依存先のエージェントやワークフローが突然壊れます 🛠️ 実装方針 1. ServiceNow / Backstage等のサービスカタログ基盤を活用し、全エージェントのメタデータ（所有者・対象部署・権限・eval結果・コスト・SLA）を一元登録します 2. CI/CDパイプラインにレジストリ登録を組み込み、未登録エージェントのデプロイを自動ブロックします 3. 新規エージェントの公開前にeval gate通過を必須とし、品質基準を満たさないエージェントの本番投入を防止します 4. バージョン管理と変更履歴追跡を導入し、各エージェントの変更がいつ・誰によって行われたかを監査可能にします 5. 廃止ライフサイクル（非推奨化→依存者への通知→猶予期間→停止）を自動化し、突然の停止による連鎖障害を防ぎます #AIエージェント# #エンタープライズアーキテクチャ#

🌐 大規模ネットワークシステムの最前線NSDI 2026に、Microsoftが11本を発表しました。KVキャッシュ再利用で4倍スループット、CXLメモリでRDMA比3.2倍など、AI基盤の具体的な前進が並ぶダイジェストです。 タイトル: Microsoft at NSDI 2026: Advances in large-scale networked systems URL: 📝 概要 NSDIは、クラウド・AI・分散アプリ基盤の設計と運用に関する新しい研究を共有する主要な国際会議です。本記事は、Microsoftが発表したデータセンターネットワーク、広域ネットワーク、AIシステム、クラウドインフラにまたがる11本の採択論文を紹介しています。 ❓ 解決する課題 AIワークロードの急増に伴い、データセンターのネットワーク・メモリ・CPU資源を、信頼性とコスト効率を保ちながらスケールさせることが一層難しくなっています。本記事の研究群は、本番運用と研究の両面からその最前線に取り組んでいます。 💡 主要な研究貢献 ・DroidSpeak：同一アーキの言語モデル変種間でKVキャッシュを再利用し、出力品質への影響を最小限に抑えつつ最大4倍のスループットを実現します ・SONiC DASH SmartSwitch：クラウドのネットワークオフロードを再設計し、Azureで大規模に展開済み。電力と設置スペースの効率を大幅に改善します（コミュニティアワード受賞） ・Octopus：CXLの分離メモリポッドで、3サーバ試作機においてラック内RDMA比3.2倍、CXLスイッチ比2.4倍のRPCを達成します ・HarvestContainers：レイテンシ重視のコンテナから動的にコアを収穫し、テールレイテンシをスタンドアロン比4%以内に保ちながら空きCPUを最大75%活用します 🎯 ユースケース LLMサービングの高速化、メモリ分離（disaggregation）、コンテナのリソース有効活用、ネットワークプロトコルの検証など、クラウド・AI基盤の設計判断に役立ちます。 📊 そのほかの成果 ・Eywa：LLMベースのモデル生成により、ネットワークプロトコル実装で33件のバグ（うち16件は未知）を発見しました ・ForestColl：多項式時間でスケジュールを生成し、理論的に最適な集団通信を達成します ・AVA：10時間超の動画で75.8%の精度を出す動画解析ベンチマークです ・KRAKENGUARD：eBPFを用いた、マルチテナントセキュリティのための細粒度の分離です #NetworkedSystems# #AIInfrastructure#

# 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意思決定ポイント # temperature｜Temperature 🎯 ポイント temperatureを「とりあえず0.7」で全ステップ共通にしていませんか？ 実はタスクの性質によって最適値は大きく異なり、1つのエージェント内でもステップごとに切り替えるのが正解です。意図分類は0、ツール選択は0〜0.1、回答生成は0.3〜0.5、アイデア出しは0.7〜1.0。この使い分けが品質と安定性を両立させる鍵です🎛️ 📋 概要 temperatureはLLMの出力の確率分布をどの程度「なます」かを制御するパラメータです。高いほど多様で創造的な出力になり、低いほど再現性が高く決定論的な出力になります。エンタープライズのエージェント設計では、一律の設定ではなく、処理ステップの性質に応じたきめ細かい制御が求められます。「正確さが必要な場所」と「多様性が必要な場所」を明確に区別し、それぞれに適切な値を設定することで、品質の安定と表現の豊かさを同時に実現できます。 🔍 意思決定のポイント このダイヤルは「タスクの性質」で決めます。 事実抽出・分類・判定・コード生成 → 低temperature（0〜0.2）。正確性と再現性が最優先 要約・報告書・顧客対応ドラフト → 中temperature（0.3〜0.7）。安定性と自然さのバランス ブレインストーミング・バリエーション生成・創作 → 高temperature（0.7〜1.0）。多様性重視 重要なポイントとして、temperatureとtop_pを同時に大きく動かすと出力が不安定になります。片方を固定し片方で調整するのが基本です。また、本番とテストで同一のtemperature設定を使ってください。テスト時だけ0にすると、本番で初めて出力のぶれに気づくことになります⚡ 💡 要点と詳細 エージェント内でのステップ別temperature設定の考え方： 意図分類ステップ — temperature=0。ここがぶれると後続の全処理が狂うため、決定論的に分岐させます。 情報検索・ツール選択ステップ — temperature=0〜0.1。正確なツール呼び出しが最優先です。 回答生成ステップ — temperature=0.3〜0.5。自然な文章だが安定した品質を維持します。 提案・アイデア出しステップ — temperature=0.7〜1.0。多様性を重視し、幅広い選択肢を提示します。 計測すべき指標は、出力一貫性（同一入力N回の一致率、分類タスクなら95%以上を目標）、幻覚率（事実と異なる記述の発生頻度）、ユーザー満足度（特に顧客対応の文面品質）、eval成功率の分散（temperatureが高いほどevalがぶれる）です📊 ⚖️ トレードオフ temperatureが高すぎると、出力のばらつきが大きくなり品質の安定性が下がります。幻覚（hallucination）の発生確率も上がる傾向があり、事実に基づく回答が求められるエンタープライズ用途では致命的です。同じ質問に対して毎回違う回答が返ってくるのは、業務システムとしては信頼を損ないます😰 一方、temperatureが低すぎると、表現が画一的になりユーザーに「機械的」と感じさせます。顧客対応の文面が毎回同じテンプレート感だと、パーソナライズされた対応を期待する顧客の満足度は下がります。また最適解以外の選択肢を探索できないため、局所最適に陥りやすくなります⚠️ 🛠️ ユースケース ServiceNow ITヘルプデスク：チケット分類（temperature=0）→ ナレッジ検索（0）→ 回答生成（0.3）の3段構成。分類と検索は正確性最優先、回答だけ自然な文章にする設計です。分類精度が不安定な場合、temperatureではなくプロンプトを改善してください📚 Shopify商品説明生成：商品属性の構造化抽出（0）→ 説明文の複数バリエーション生成（0.8）→ 品質チェック（0）。創造的な部分だけtemperatureを上げ、前後の構造化処理は決定論的に固定します🎯 Slackブレスト支援ボット：全ステップでtemperature=0.9。多様なアイデアを出すことが目的なので、安定性より多様性を全面的に優先します🔧 実践のコツ：まずtemperature=0でevalを作成しベースラインの品質を確認してから、必要に応じて上げてください。分類精度が不安定な場合はtemperatureを動かすのではなくプロンプト改善で対処し、顧客対応の文面が画一的と指摘されたら0.1〜0.2刻みで段階的に上げてください。幻覚率が許容範囲を超えたら、temperatureを下げるか事実検証ステップを挟むのが定石です💪 #AIエージェント# #エンタープライズアーキテクチャ#

＼新機能のお知らせ📢／ 「ASUENE SUPPLY CHAIN」に企業間メッセージ機能を実装✉ 分散していた対話をシステムに一元化。担当者交代時の連絡途絶や経緯の喪失を防ぎ、機密情報の共有範囲も適切にコントロールします⛓️ バイヤーとサプライヤー間のパートナーシップを強化し、より強靭で透明性の高いサプライチェーンの構築を支援します🤝

犯罪の90%以上にデジタルの手がかりがあるのに、43の警察組織がそれぞれ別のシステムでデータを抱えている。英国警察が直面する「データの境界線」問題に、Elasticが分散型の処方箋を示しました。 タイトル: Making Data Work Across Boundaries: The Next Challenge for Policing URL: 🧩 データメッシュという発想 すべてを1つのプラットフォームに集約するのではなく、各警察組織がローカルなガバナンスのもとで自前のElasticを運用し、共通のオープンなインターフェースを通じてだけ接続します。「必要な人にだけ情報を渡す、全員に全てを渡すわけではない」という考え方です。 📈 具体的な効率化の数字 コンテキストの事前準備で入力処理を58%、応答時間を40%削減。エージェントのステップ数は33から9へ、応答時間は213秒から64秒へと大幅に短縮されました。 ⚖️ 過去の教訓を踏まえた3原則 データ基盤とアプリケーションの分離、オープン性をデフォルトにすること、集中化は運用上必要な場合にのみ行うこと。NHSの全国プログラム失敗（98億ポンド）やFiReControl終了（4.69億ポンド）という過去の大規模失敗を踏まえた、現実的な設計指針です。 組織の壁を越えてデータを「集約せずにつなぐ」という発想は、警察に限らず多くの公共システムに応用できそうです。 #データメッシュ# #Elastic#