エージェントメッシュ (Japanese Edition)

第3章 エージェント対AIワークフロー

この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている：[e-mail]

のAIベンダであるAnthropicが定義するAIワークフローは、「事前定義されたコードパスを通じてLLMsとツールをオーケストレーションする」構造化された段階的なプロセスを提供する。 しかしAIワークフローとエージェントを混同すべきではない。エージェントが予期せぬ事態に遭遇した場合、その場で計画を変更して迂回する可能性があるのに対し、AIワークフローは固定されたパスをたどり、データを段階的に次へと導く傾向がある。この段階的な実行は監視やトラブルシューティングを簡素化するため、柔軟性よりもシンプルさが求められるシナリオでは、ワークフローが合理的な選択肢となる。

AIワークフローの事前定義された性質と、エージェントのより動的で自律的な能力とのこの相互関係は、この分野全体が向かうべき方向性を示している。場合によっては、エージェントが内部でAIワークフロー全体を組み込み、自律性と構造を融合させることもある。真の問題はどちらが優勢になるかではなく、それぞれがより賢く、より応答性の高いAIエコシステムにどう貢献できるかだ。

AIワークフローの定義

AIワークフロー は、言語モデルをより大規模なプロセスに統合するための構造化されたアプローチを提供する。個々のモデル呼び出しやツール呼び出しを単独で実行させる代わりに、ワークフローはそれらを明確に定義された、おそらく理解しやすい方法で連鎖させ、自社開発のAI実験でよく見られる無秩序さを軽減する。

AIワークフローは、複雑で依存関係のある大規模言語モデル（LLM）の呼び出しを、複数の小さな段階に分解することを可能にする。 例えば多言語マーケティング資産の自動化といった単一の業務要件を、プロンプト生成、言語翻訳、感情分析、最終統合といったサブタスクに分割できる。この分解はLLM実行における各ステップの役割を簡素化するだけでなく、問題の特定にも役立つ。あるステップの精度が低下し始めた場合、ワークフロー全体ではなくその特定段階に集中して対処できるのだ。

しかしながら、事前定義されたワークフローの硬直性は、その場での適応を困難にする。予期せぬ入力タイプが発生したり、データが想定範囲を外れたりした場合、ワークフローには例外処理の組み込みメカニズムが存在しない可能性がある。この欠点は、ワークフローの後続段階が先行ステップの正確な出力に大きく依存している場合に特に問題となる。一つのステップでのエラーが最終結果まで連鎖する恐れがあるのだ。

この意味で、AIワークフローはアドホックな実験と高度な自律型エージェントの中間的な位置を占める。複数の段階にわたってLLMsと専門ツールを調整する明確なアーキテクチャに依存しているのだ。

AIワークフローの一般的な種類

AIワークフローは様々なパターンに従うことができ、それぞれが異なるタスクや組織のニーズに適している。このセクションでは、プロンプトチェイニング、ルーティング、並列性、リフレクション、オーケストレーションなど、広く使われているいくつかのパターンについて詳しく説明する。

例を具体化するために、同じシナリオを用いる。顧客が複数の異なる種類の口座を開設したいという、銀行口座開設プロセスの簡略版だ。エンドツーエンドのアクションはいくつかのステップからなる：

1. 本人検証

顧客が本人であることを確認するチェック ...