エージェントは1つか、チームか。AIエージェントの構成の選び方と、エージェントを増やすと悪くなるとき
執筆: ReviewRamble editors ·
エージェントを名乗るAI製品の多くは、モデルを2、3回呼び出す短い普通のコードにしたほうがうまく動き、費用も安く済みます。言語モデルを使った作り方は、決まった手順から、互いにメッセージを送り合うモデルのチームまで幅があり、一段上がるごとに柔軟性と引き換えにお金、速さ、予測しやすさを手放します。ここでは、それぞれのパターンが何をするのか、いつ使う価値があるのか、そしてエージェントを増やすと答えがかえって悪くなることが多いという根拠を説明します。
私たちの立場は単純です。仕事をこなせる最も素朴な設計から始めてください。手順を書き出せないときに、単一のエージェントへ移ってください。複数のエージェントに移るのは、1つのエージェントが繰り返す失敗を名指しでき、仕事を分ければそれが直ると示せるときだけです。
最初の問い:次の一歩を決めるのは誰か
ここで紹介する設計はどれも、1つの問いに違う答えを出しています。次に何をするかを決めるのはあなたのコードか、それともモデルか、という問いです。AnthropicのエンジニアリングガイドBuilding effective agentsは、この線をはっきり引いています。ワークフローとは、モデルとツールが「あらかじめ定めたコードの経路でオーケストレーションされる」システムです。エージェントとは、モデルが「自らのプロセスとツールの使い方」を指揮するシステムです。違いの詳細は用語集のワークフローとエージェントで説明しています。
歯科医院の予約リマインダーと旅行代理店を思い浮かべてください。リマインダーは毎晩同じ3つの手順を繰り返します。翌日の予約を調べ、丁寧なメッセージを書き、送る。このソフトに即興を求める人はいません。旅行代理店の仕事は電話のたびに変わります。飛行機が満席なので列車を調べると、ホテルの予約が1日ずれる。ワークフローはリマインダーで、エージェントは旅行代理店です。そしてその判断の対価は、トークンと時間と、ときどきの道の間違いで支払います。
Anthropicのガイドは、多くのベンダーよりも一歩踏み込んでいます。最も単純な方法は「エージェント的なシステムをまったく作らないことかもしれない」と述べ、多くの用途では、文書検索と数件の例をプロンプトに入れた、よく準備されたモデル呼び出し1回で十分だとしています。
ほとんどの製品をまかなう5つのワークフロー
プロンプトの連鎖:1回の呼び出しに小さな仕事を1つ
連鎖では作業を手順に分け、各モデル呼び出しが前の出力を受けて働きます。営業担当者の通話録音が要約になり、要約が約束したフォローアップの一覧になり、一覧がメールの下書きになります。手順の間では普通のコードが関門の役を果たせます。要約に次回打ち合わせの日付がなければ、日付をでっち上げたメールを送るのではなく、連鎖を止めて知らせます。
Anthropicの言葉では、これは遅延と引き換えに正確さを得る取引です。各呼び出しの仕事が易しくなるので間違いが減り、全体には時間がかかります。1つのプロンプトが6つの指示のうち1つを何度も落とすなら、たいていは連鎖が解決策です。
ルーティング:専門家の前に受付を置く
ルーターは依頼を読み、種類を判断して、対応する経路に送ります。サポートの受信箱なら、返金、パスワードの再設定、苦情を別々のプロンプトに振り分け、それぞれを専用に調整します。こうすれば返金の回答を改善しても、パスワードの回答が知らないうちに壊れることはありません。同じ仕組みで、簡単な質問は小さく安いモデルへ、難しい質問は大きなモデルへ送れます。用語集のLLMルーティングで説明しています。
すべては振り分けにかかっています。チャージバックをパスワードの質問と判断したルーターは、すでに苛立っている顧客に、自信満々で間違った手順を送ります。後ろの仕組みを信用する前に、分類器だけを単独で測ってください。
並列化:分割と投票
仕事の中には、互いに依存しない部分に分けられるものがあり、それらは同時に実行して、コードで結果をつなぎ合わせられます。Anthropicは2つの型を挙げています。
分割では、呼び出しごとに仕事の別の部分を渡します。借り手の賃貸契約書を3つの呼び出しに同時に渡し、1つは家賃と敷金の条件、1つは修繕義務、1つは中途解約条項を読みます。それぞれが1つのことだけに集中して読み、最後にコードで報告書をまとめます。よくある組み合わせは、1つの呼び出しが依頼に不正利用がないかを確かめ、別の呼び出しが回答を下書きする形です。
投票では、複数の呼び出しに同じ仕事を渡し、答えを比べます。コード変更のセキュリティ上の穴を3回別々に調べ、1件でも指摘があれば人に回すというルールにすれば、1回の確認より多くを見つけられます。しきい値は自分で決めます。セキュリティ警告なら3票中1票、顧客の投稿を非表示にするなら3票中2票、という具合です。
評価者と最適化者:書き手と編集者
1つの呼び出しが書き、2つ目が明示した基準に照らして結果を確かめ、指摘をつけて差し戻します。確認役が納得するまでループが続きます。メニューを日本語に翻訳するレストランがよい例です。評価役は、すべての料理にアレルゲン表示が残っているか、価格が変わっていないか、料理名が直訳されて意味不明になっていないかを確かめます。
Anthropicはこのパターンが合う兆候を2つ挙げています。人のフィードバックで下書きがはっきりよくなること、そしてモデル自身がそうしたフィードバックを出せることです。どちらも当てはまらなければ、編集役は何でも通すか、いつまでも細かい難癖をつけます。往復の回数には厳しい上限を設け、評価するモデルがどう間違えるかは用語集のLLM-as-a-judgeを参照してください。
オーケストレーターとワーカー:分かれ目
Anthropicはこれをワークフローに分類していますが、ここはモデルが計画を書き始める地点です。中心のモデルが作業を読み、どんな部分が必要かを決め、それぞれをワーカーの呼び出しに渡し、戻ってきたものをまとめます。分割と違い、部分はあらかじめ決まっていません。サイト全体で製品名を変える依頼なら、変更するファイルは3つかもしれないし30かもしれず、コードを読んで初めて分かります。マルチエージェントシステムの一般的な形でもあるので、後でもう一度取り上げます。
単一エージェントのループ
手順を書き出せないときは、モデルにツールと目標を与え、ループの中で作業させます。Anthropicはエージェントを「たいていは、環境からのフィードバックに基づいてループの中でツールを使うLLMにすぎない」と説明しています。多くのエージェントが従うパターンは、ReAct: Synergizing Reasoning and Acting in Language Modelsから来ています。プリンストン大学とGoogleのShunyu Yaoらによる2022年の論文で、ICLR 2023で発表されました。モデルは短い推論の一行と行動を交互に行います。考え、ツールを呼び、返ってきたものを読み、また考えます。
行方不明の荷物を考えてみてください。エージェントは追跡ページを読んで荷物が配送拠点で止まっていると知り、その拠点のお知らせを調べて配達の停止を見つけ、注文を再発送できるかを確かめ、できなければ返金の依頼を下書きします。各手順が前の手順で見つけたことに左右されるので、この道筋を前もって台本にすることは誰にもできません。論文では、推論と行動を交互に行う方法が、ALFWorldとWebShopという2つの対話型タスクで、模倣学習と強化学習の手法を絶対成功率でそれぞれ34ポイントと10ポイント上回りました。プロンプトに入れた解答例は1つか2つだけでした。
エンジニアリングの大半はこのループにあります。用語集のエージェントループ、ReAct、そしてツールを実行しルールを守らせる、モデルの周りのソフトウェアであるエージェントハーネスの項目が部品を説明しています。特に大事なものが2つあります。1つは停止条件で、たとえば最大ステップ数を決めておけば、迷ったエージェントが一晩中お金を使い続けることはありません。もう1つはツールそのものです。Anthropicの3つ目の原則は、ツールをプロンプトと同じ丁寧さで文書化し、テストすることです。曖昧なツールの説明は、曖昧な指示と同じだからです。
計画と実行:まずリストを書く
ReActのエージェントは1歩ずつ決めるので柔軟ですが、ときに目的を見失います。同じ検索を繰り返したり、脇道にそれたり、20歩目あたりで目標を忘れたりします。計画と実行(plan-and-execute)は、考えることとやることを分けます。プランナーが最初にリスト全体を書き、実行役がそれを1項目ずつこなし、各項目の後や何かが失敗したときに、プランナーが残りを見直せます。
分別のある人の引っ越しと同じです。リストを書き(トラックを予約する、インターネット回線を解約する、郵便の転送を届け出る)、順に消していき、トラック会社が満員ならリストを書き直します。書かれた計画があれば、何かが起きる前にユーザーに見せたり、人に承認してもらったりでき、実行役はより小さく安いモデルで済むことがよくあります。代償は、計画が古くなることです。プランナーが見直さなければ、実行役は3項目前に意味を失った手順を律儀にこなし続けます。
エージェントのチームとしてのオーケストレーターとワーカー
マルチエージェントシステムは、複数のエージェントにそれぞれの指示、ツール、コンテキストを与え、何らかのオーケストレーションが誰がいつ働くかを決めます。よくある形は、中心のエージェントがサブエージェントを起動し、それぞれに真っさらなコンテキストウィンドウを持たせ、短い報告をまとめるものです。
Anthropic自身のリサーチ機能は、この形を支持する公開事例として最も強いものです。2025年6月の記事によると、Claude Sonnet 4のサブエージェントを指揮するClaude Opus 4は、Anthropic社内のリサーチ評価で単独のOpus 4エージェントを90.2%上回りました。同じ記事は請求額も示しています。エージェントはチャットの約4倍、マルチエージェントシステムは約15倍のトークンを使います。BrowseCompベンチマークについてのAnthropicの分析では、トークン使用量だけで性能のばらつきの80%を説明できました。つまり、向上分の多くは、追加のエージェントがお金を払って読んだ追加の分量なのです。Anthropicはまた、エージェント同士が同じコンテキストを共有する必要があったり互いに依存したりする分野には向かず、ほとんどのプログラミング作業はリサーチほど本当に並列な部分が多くないとも述べています。
リサーチがこのパターンに合うのは、それが幅の仕事だからです。調べる会社が10社あり、それぞれ他と独立していて、どれも1つのコンテキストウィンドウに収まらないほどのページを生みます。
ハンドオフ:専門家に電話を回す
電話の転送で話がこじれた経験は誰にでもあります。最初の担当者に問題を説明し、経理に回され、顧客番号からまた話し直す。ハンドオフはエージェント同士の同じ動きで、うまくやれば会話ごと引き継げます。
OpenAI Agents SDK(4.4)では、ハンドオフはモデルからはツールに見えます。返金担当エージェントへのハンドオフはtransfer_to_refund_agentというツールになり、それを呼ぶと制御が移ります。ハンドオフのドキュメントによると、新しいエージェントは既定で「それまでの会話履歴をすべて見る」ことになります。input_filterで引き継ぐ内容を削れ、on_handoffコールバックでモデルが示した理由を確かめて転送を止められます。もう1つの方法は、エージェントをツールとして使うことです。最初のエージェントが制御を握ったまま、専門家に絞った質問をして答えを受け取ります。店員があなたに受話器を渡すのではなく、自分で倉庫に電話するようなものです。
ハンドオフが向くのは、受付が会話を専門家に回し、各専門家が自分のツールを持つ場合です。返金担当は返金を実行でき、注文追跡担当はできません。この権限の分離は、分ける本当の理由になります。リスクは履歴を引き継ぐことの裏返しです。顧客が話したことも、ツールの結果もすべて、フィルターをかけない限り一緒に移ります。
人による承認のチェックポイント
エージェントは先に進む前に止まって人に尋ねることができ、Anthropicはそれをエージェントのパターンの一部に数えています。エージェントは「チェックポイントで、あるいは障害に突き当たったときに、人のフィードバックを求めて一時停止する」というのです。仕組みは用語集のヒューマン・イン・ザ・ループで説明しています。LangGraph(4.6)は、止まって、再起動をまたいで状態を保ち、誰かの承認を待たなければならないエージェントのために作られています。
チェックポイントは、取り消せない行動の手前に置いてください。お金が動く前、メールが顧客に届く前、変更をマージする前です。経理チームのエージェントは請求書を集め、支払いの一括処理を自分で用意できますが、その処理を承認するのは人です。すべての手順で承認を求めると、人は読まずに「はい」を押すようになります。これはAIエージェントが尋ねたとき誰が「はい」を押すのかで取り上げました。よく考えて置いた少数のチェックポイントは読まれますが、1日に何十もあると読まれません。
エージェントを増やすと結果が悪くなるとき
マルチエージェントという賭けをこれまでで最も慎重に検証したのは、Google Research、Google DeepMind、MITの研究です。Yubin Kim、Xin LiuらによるTowards a Science of Scaling Agent Systemsは2025年12月に初めて公開され、2026年1月にGoogle Researchのブログで紹介されました。著者たちは単一のエージェントを4つのマルチエージェント構成と比べました。最後に答えをまとめる独立したエージェント群、中央のオーケストレーター、議論する対等なエージェント、そして後の2つの混合型です。ツール、プロンプト、トークン予算をそろえ、OpenAI、Google、Anthropicのモデルを使いました。論文の現行版は、6つのベンチマークにわたる260の構成を扱っています。
結果はタスクの形によって分かれました。
- 並列の仕事は伸びました。 質問がニュース、規制当局への提出書類、事業運営といった別々の筋に分かれる金融分析ベンチマークFinance Agentでは、中央のオーケストレーターが単一エージェントより80.8%高い得点を出しました。0.631対0.349です。
- 逐次的な仕事は、毎回負けました。 各手順が前の手順に依存するMinecraftのクラフトパズルPlanCraftでは、すべてのマルチエージェント構成が単一エージェントを下回りました。混合型で39.1%、独立したエージェント群では最大70.0%の低下です。単一エージェントは0.568、独立したエージェント群は0.170でした。
- 確認役がいないと誤りが広がります。 独立したエージェント群は単一エージェントに比べて誤りを17.2倍に増幅しました。あるエージェントの誤りを最終回答の前に止めるものが何もなかったからです。中央のオーケストレーターは、まとめる前に仕事を確認することで、これを4.4倍に抑えました。
- 強い単一エージェントには伸びしろが少ない。 1つのエージェントがすでに約45%を超えて成功しているときは、エージェントを足すと結果が悪くなる傾向がありました。
- ツールの多い仕事は税を払います。 トークン予算が固定されていると、それをエージェントで分けた結果、各エージェントには多くのツールを扱うだけの余裕が残りませんでした。論文の例は16個のツールを使う業務フローです。
論文自身の例が最も分かりやすい絵です。閃緑岩の塀をクラフトするよう頼まれた単一エージェントは、レシピを調べ、石をグリッドに移し、クラフトしました。3ターンです。中央で調整されたチームは同じ仕事をレシピ調査役、在庫確認役、クラフト役に分け、そのうち2つは無駄で、予算を仕事そのものではなく仕事についてのメッセージに費やしました。オムレツ1つに料理人4人です。
教訓は、エージェントのチームが失敗するということではありません。仕事が独立した部分に分かれ、何かがその部分を確かめるときには役立ち、仕事が依存し合う手順の連なりであるときには害になります。論文のモデルは、タスクの測定可能な特徴を使って、見たことのない構成の87%で最適な設計を選びました。どんなフレームワークのデモよりも頼れる指針です。
決める順番
- まず、よい文書検索と例を添えたモデル呼び出し1回を試してください。ほかのものを作る前に、AIアプリとエージェントのテストのガイドにあるように、30から50件の実例で測ってください。
- 手順が抜けるなら連鎖にします。入力の種類が違うならルーティングします。部分が独立しているなら並列に実行し、1人の読み手が見落とすなら複数に投票させます。品質に確かめられる基準があるなら、往復回数に上限をつけた評価役を加えます。
- 手順を書き出せないなら、ステップ数の上限、丁寧に説明したツール、誰かが読むログを備えた単一のエージェントループを使います。
- そのエージェントが迷走するなら、まず計画を書かせ、進めながら計画を見直させます。
- エージェントを増やすのは、名指しできる失敗があるときだけにします。資料が1つのコンテキストウィンドウからあふれる、仕事が独立した調査に分かれる、手順によって必要な権限が違う、といった場合です。指揮役には結果を確かめるオーケストレーターを置き、独立したエージェントの寄せ集めにはしないでください。
- 取り消せない行動の手前では、止まって人に尋ねてください。
フレームワークが前提にしていること
フレームワークは、それが作られた前提のパターンへとあなたを導きます。LangGraph(4.6)はグラフを明示的に描かせるので、ワークフローや、承認の手順を持つ長時間動くエージェントに向いていますが、その分コードが増えます。OpenAI Agents SDK(4.4)は小さく、ハンドオフとガードレールを中心に作られていて、オフにしない限りトレースをOpenAIに送ります。CrewAI(4.1)は役割を持つエージェントのチームをすばやく動かせますが、私たちのレビューでは、本番運用のチームは結局、自由なCrewではなく決まった流れのFlowsを書くことになると分かりました。Pydantic AI(4.5)は単一エージェントに型付きの出力をもたらし、Claude Agent SDK(4.2)はClaude Codeのループとツールをそのまま渡してくれます。Microsoftの影響力あるマルチエージェントフレームワークAutoGen(2.6)はアーカイブされています。共通する部分は用語集のエージェントフレームワークで説明しています。
Anthropicのガイドは、「多くのパターンは数行のコードで実装できる」ので、まずモデルのAPIを直接使うことを勧め、フレームワークはデバッグ時に見るべきプロンプトを隠し、余計な複雑さを招きやすいと警告しています。連鎖やルーターは、どの言語でも数行です。フレームワークに価値があるのは、永続的な状態の管理やトレースのように、それが得意とすることのためであって、午後のうちに書けるパターンのためではありません。
注意点:証拠は、語られる自信ほど厚くありません。Googleの研究はトークン予算を固定していたので、単にもっと使うチームなら違う結果になるかもしれませんし、そのベンチマークはあなたの製品ではありません。Anthropicの90.2%は同社内部の評価によるもので、パターンのガイドは2024年12月のものであり、その後ツール類が変わったという注記もついています。どれも判決ではなく、自分のタスクを測る理由として受け止めてください。
結論:エージェントのシステムは、小さな店が人を雇うように作ってください。パン屋を開くのに、業務責任者と物流責任者と顧客体験責任者を任命する人はいません。腕のいいパン職人を1人雇い、レシピを書き留めます。2人目を迎えるのは、1人目が並行してこなせる仕事に明らかに追われているときで、天板を店に出す前には誰かが確認します。追加のエージェントは、すでに目にした問題への答えであるべきです。
出典
- Erik Schluntz、Barry Zhang(Anthropic):Building effective agents、2024年12月。
- Anthropic:How we built our multi-agent research system、2025年6月。
- Yubin Kim、Xin Liuほか(Google Research、Google DeepMind、MIT):Towards a Science of Scaling Agent Systems、arXiv 2512.08296。
- Google Researchブログ:Towards a science of scaling agent systems: when and why agent systems work、2026年1月。
- OpenAI Agents SDK:Handoffsのドキュメント。
- Shunyu Yaoほか:ReAct: Synergizing Reasoning and Acting in Language Models、ICLR 2023。