AIエージェント・用語大全

• 単体エージェントの本質：Agentic Loopとは何か
• エージェントの自律性スペクトラム（Reactive → Proactive → Autonomous）
• 内部アーキテクチャ：ReAct、Plan-and-Execute、Reflection
• 機能拡張モジュール：CoT、RAG、Tool-Use
• マルチエージェントシステム（MAS）の組織図と役割分担
• 通信プロトコル：MCP、A2A、ACP、Handoff
• 主要フレームワーク：LangGraph、CrewAI、AutoGen等

• 自律プロセスが進行し、Quality Assurance Gate（品質保証ゲート）に到達
• Human Node（人間介在ポイント）で承認（Approve）または却下を判断
• 承認されれば実行継続（Continue Execution）

MCPは「エージェント ↔ ツール」の接続規格（USBCのようなもの）、A2Aは「エージェント ↔ エージェント」の通信規格（電話のようなもの）。用途が異なるため、併用されることが多いです。

散在するバズワードは独立した概念ではない。単体の自律性（Agentic Loop）を基盤に、標準プロトコルで連携し、明確な役割分担によって複雑な課題を解決する「ひとつの統合システム」へと進化しています。

• 「チャット」から「自律実行」へのシフト - 単なるテキスト生成から、自ら計画し、ツールを使い、軌道修正を行う自律型システム（Agentic Loop）へとAIの役割が変わった
• 「個」の限界を突破するマルチエージェント - 単一のLLMへの依存を脱し、専門化された役割（Planner, Supervisor, Specialist）と最適な構造による分業体制が課題解決の鍵となる
• 急速に進む標準化とエンタープライズ実装 - MCPやA2Aなどのプロトコル標準化と、堅牢なフレームワークの登場により、実験段階を終えて本番環境への実装フェーズへ突入している

AIが「目標」を与えられたとき、自分で考えて行動を選択し、結果を見てまた考える…というサイクルを繰り返すシステム。単なるチャットボットとの違いは「自律的に複数ステップを実行できる」点です。例えば「競合他社を調査してレポートを書いて」と言ったら、検索→読む→まとめる→書くを自分で順番にやります。

人間が途中で指示しなくても、最初のゴール設定だけで最後まで動き続けるエージェント。AutoGPTが流行ったとき話題になった概念です。「完全自律」に近いほど、途中で間違えたときのリスクも高くなります。

内部で計画を立てず、「今の状況を見て即座に反応する」だけのシンプルなエージェント。例：センサーの値が閾値を超えたらアラートを送る、チャットで特定のキーワードが来たら定型文を返す。計画能力はないが、軽量で確実です。

指示を待たず、自分から「次にやるべきこと」を予測して行動するエージェント。例：在庫が減ってきたら自動で発注する、カレンダーを見て「明日の会議の資料を今夜中に準備しておく」など。

AIに限らず、プログラムとして動くエージェント全般の古い呼び方。Webクローラーやボットもこれに含まれます。現在は「AIエージェント」がより一般的な呼称です。

複数のエージェントが同じ環境に存在し、協力・分業・場合によっては競争しながら動くシステム全体を指す学術用語。1990年代から研究されてきた分野で、現在のLLMベースのマルチエージェントブームの理論的な土台になっています。

MASを実際に構築するためのライブラリ・ツール群。LangGraph、CrewAI、AutoGenなどが該当します。「フレームワーク」は実装ツールの名前であり、「システム」は動いている全体の仕組みを指します。

蟻や蜂のように、単純なルールを持つ大量のエージェントが分散して動き、群れ全体として賢い振る舞いを示す設計。個々のエージェントは単純だが、集合体として複雑な問題を解きます。OpenAIが「Swarm」という実験的フレームワークを公開したことで一般的な言葉になりました。

エージェント同士がノードとして繋がり、メッセージやデータを送り合う構造。どのエージェントがどのエージェントと通信できるかを「ネットワーク図」で表現できます。階層型ではなく横並びで繋がっているイメージです。

Agent Networkの発展形で、すべてのエージェントが互いに通信できる「完全メッシュ」の構造。障害に強く、どのエージェントが落ちても全体が止まりません。大規模な企業システムで使われる概念です。

エージェントA→エージェントB→エージェントCと直列に連鎖して処理を渡す設計。工場のライン作業に近いイメージです。例：「翻訳エージェント」→「要約エージェント」→「メール送信エージェント」。シンプルで制御しやすいが、途中で失敗すると止まります。

指揮者。他のエージェントに「何をやれ」と指示を出し、結果を受け取って統合する親エージェント。タスクを分解して振り分け、全体の進行を管理します。ClaudeをオーケストレーターにしてサブエージェントにAmazon出品作業を分担させる、といった使い方ができます。

オーケストレーターから指示を受けて実際の作業をするエージェント。ファイル操作、API呼び出し、検索、コード実行など具体的なアクションを担う「手足」にあたる存在です。Claude Code Agent Teamsではサブエージェントが並列実行されます。

「どうやってゴールに到達するか」を計画することに特化したエージェント。タスクを細かいステップに分解し、順序や依存関係を整理して実行計画を作ります。自分では実行しないことが多いです。

プランナーが作った計画を受け取り、実際に実行するエージェント。計画能力は持たず、「与えられた手順を確実にこなす」ことに集中します。

他のエージェントが出した結果を批評・採点・改善提案するエージェント。例：ライティングエージェントが書いた文章をクリティックエージェントがチェックして「ここを直せ」とフィードバックする。品質管理の役割を担います。

ユーザーからの入力や前のエージェントの出力を見て「これはAエージェントが担当すべきか、Bエージェントが担当すべきか」を振り分けるエージェント。交換機・分岐点の役割です。

オーケストレーターに似ていますが、より「監督・承認・品質チェック」に重点を置きます。サブエージェントが作業中に問題を起こしていないか監視し、必要なら介入・修正する管理者的な存在です。

特定のドメインに特化したエージェント。例：「法律専門エージェント」「EC出品最適化エージェント」「SQLクエリ生成エージェント」など。汎用エージェントより精度が高いが、専門外のことは苦手です。

AnthropicのClaude Codeに実装された実験的な機能で、CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1という環境変数を設定すると有効になります。1つのClaudeがオーケストレーターとなり、複数のClaudeサブエージェントを並列に起動してタスクを分担させることができます。大規模なコードベースの同時並行処理や、複数の調査タスクを一気にこなすのに有効です。

LangChainが開発したフレームワーク。エージェントの動作をグラフ（ノードとエッジ）で定義します。「条件分岐」「ループ」「並列処理」を細かく制御できるため、複雑なマルチエージェントワークフローに向いています。現在最も実用的なフレームワークの一つです。

Microsoftが開発したフレームワーク。複数のAIエージェントがチャット形式で会話しながら協調してタスクを解決する設計が特徴。「UserProxy（人間役）」「Assistant（AI役）」などのキャラクターを定義して会話させます。研究用途に強いです。

エージェントに「役割（Role）」「目標（Goal）」「背景（Backstory）」を与えて動かすフレームワーク。チームメンバーのように各エージェントに個性を持たせるのが特徴です。直感的で使いやすく、ビジネス用途のプロトタイプ作成に向いています。

OpenAIが提供するエージェント構築SDK。以前は「Swarm」という実験的フレームワークでしたが、正式版として「Agents SDK」になりました。エージェント間のHandoff（引き継ぎ）の概念が中心で、タスクに応じてエージェントを切り替える仕組みが特徴です。

AWSがクラウドサービスとして提供するマネージドエージェント。インフラ管理不要でAWSのツール群（Lambda、S3、RDSなど）と繋がるエージェントを構築できます。企業のシステムに組み込む本番運用向けです。

Googleがクラウドサービスとして提供するエージェント構築プラットフォーム。GeminiモデルとGoogleのインフラを活用し、ローコード／GUIでエージェントを組めるのが特徴です。A2Aプロトコルとの連携も想定されています。

「考える→行動する→観察する」を繰り返すパターン。例：「検索しよう（Reason）→検索実行（Act）→結果を見る（Observe）→次に何を調べるか考える（Reason）→…」。現在のほとんどのLLMエージェントはこの構造を使っています。

ReActがステップごとに考えるのに対し、最初にまとめて全体計画を立ててから実行するパターン。長いタスクで途中方針がブレにくいメリットがありますが、計画段階で見落としがあると全体が崩れるリスクもあります。

エージェントが自分の出力を見て「これで合ってるか？」と自問し、問題があれば修正してやり直すパターン。クリティックエージェントを別に立てる場合と、同一エージェントが自己評価する場合があります。出力品質が上がりますが、ループが長くなるとコストも増えます。

LLMに「ステップバイステップで考えてください」と促す手法（CoT）をエージェントに組み込んだもの。複雑な推論タスクで正確性が上がります。ReActと組み合わせて使われることが多いです。

検索・コード実行・ファイル操作・API呼び出しなど外部ツールを呼び出せるエージェント。現在のLLMエージェントの基本機能です。Claudeで言えば「ツール（関数呼び出し）」機能がこれにあたります。

会話履歴だけでなく長期記憶を持つエージェント。過去のやり取りをベクトルDBに保存し、必要なときに呼び出します。FAISSやruriを使ったRAGシステムはまさにこの仕組みです。

検索拡張生成（Retrieval-Augmented Generation）を組み込んだエージェント。質問に答える前に社内ドキュメントや外部データを検索し、それをコンテキストとしてLLMに渡します。ハルシネーション（でたらめな回答）を減らせるのが最大のメリットです。

エージェントが「考える→行動する→結果を見る→また考える」を繰り返すメインの処理サイクルを指す言葉。特定の手法の名前ではなく、エージェントの動作原理そのものを指します。ループの1回を「ターン」と呼ぶことも多いです。

エージェントが重要な判断をする前に人間の承認を求める設計。「本当にこのファイルを削除していいですか？」「この発注を実行してよいですか？」などの確認ステップを挟みます。完全自律と人間制御のバランスを取る考え方で、Anthropicが安全なエージェント設計として強く推奨しています。

Anthropicが提唱するオープンスタンダードのプロトコル。エージェント（LLM）と外部ツール・データソースを繋ぐための「接続規格」です。USB-Cのように「この規格に対応していれば何でも繋がる」という思想。Google DriveのMCPサーバーを作ればClaudeからGoogleドキュメントを読める、といった使い方ができます。現在最も普及しています。

Googleが2025年に発表したエージェント同士が直接通信するためのプロトコル。MCPが「エージェント↔ツール」の接続を担うのに対し、A2Aは「エージェント↔エージェント」の通信を標準化します。異なる会社が作ったエージェント同士を繋ぐことを目指しています。

IBMなどが提唱する通信仕様。A2Aと目的は似ており、企業向けの堅牢なエージェント間通信の標準化を目指します。まだMCPやA2Aほど普及していませんが、エンタープライズ分野で注目されています。

あるエージェントが処理の途中で「この先は別のエージェントに任せる」と引き継ぐ操作。コールセンターで担当者を変えるようなイメージです。OpenAIのAgents SDKで中心的な概念として使われており、「ルーター」と「スペシャリスト」を組み合わせるときに頻繁に使います。