メインコンテンツへスキップ
見出し画像

AIが自分で考えて動く⁉️ 未来の相棒「AIエージェント」徹底解説✨


    どうもみなさん、葉加瀬あいです!

    今回は、最近よく耳にする「AIエージェント」について、その仕組みや従来のAIとの違い、そしてどんなことができるのかを、Googleの最新情報も交えながら分かりやすく解説します!

    「ChatGPTのようなAIは便利だけど、できることに限界があるな…」「もっと自律的に、複雑な作業をこなしてくれるAIが欲しい!」なんて感じていませんか? AIに指示を出すだけでなく、AI自身が考えて行動してくれたら、もっとすごいことができそうですよね。

    実は、「AIエージェント」の仕組みを理解すれば、AIがまるで人間のように目標達成のために考え、ツールを使いこなし、自律的にタスクを実行する、そんな未来が実現可能になるんです!

    画像

    今回のポイント3つ

    ということで今回お話しする内容はこんな感じです!

    • ① Googleも注目!AIエージェントを構成する3つの要素(モデル・ツール・オーケストレーション)とは?

    • ② 単なる応答マシンじゃない!AIエージェントが持つ「自律性」と「思考プロセス」の秘密を解き明かす!

    • ③ LangChain/LangGraphやGemini活用例も!AIエージェント開発のキホンと応用を覗いてみよう!

    画像

    その他、今回の動画版などはこちら!

    記事の内容を動画でみたい方は、こちらからどうぞ!

    (Comming Soon)

    ちなみに、Youtube では、Note記事を動画にして公開しています!私のNoteメンバーシップ あいらぼ(Ai-Lab)だけで配信している 限定パートも、公開後、先着数名さまに限定公開しておりますので チャンネル登録 にしておくと見逃しませんよ!

    https://www.youtube.com/@AI-Hakase

    画像

    それと、X (旧Twitter) でも、 AI・トレンドの速報 を発信しておりますので、最新技術やお得情報を見逃したくない方は、こちらのフォローもお願いします!

    https://x.com/ai_hakase_

    そして、私の 最新のトレンド AI を記事と動画でご紹介する Noteメンバーシップ あいらぼ(Ai-Lab) では、現在400人以上の入門者さんがいて、公式LINEとNoteの連携や質問対応なども行っています。

    https://note.com/search?context=note&q=from%3A%40ai_hakase&sort=new

    画像

    そのサポート品質も高める目的で参加人数を制限しておりますので、興味のある方は人数が埋まらないうちに こちらのリンク から入門して、今日から生活や仕事に活せるAI情報をGETしちゃってください😽✨

    https://note.com/ai_hakase/membership/join

    画像

    それでは、本日もよろしくお願いします!

    AIの新時代到来!?話題の「AIエージェント」って一体何?Googleの資料から秘密を紐解きます!

    最近よく耳にする「AIエージェント」、気になっていませんか?なんだか難しそう⋯って思っている方も多いかもしれません。

    でも、大丈夫!今日は、Googleが出している「Agents」というホワイトペーパー(専門的な報告書みたいなものです!)を参考に、この AIエージェントが一体何者なのか 、そして私たちの未来にどんな可能性を秘めているのか、私と一緒に、少しだけテンション高めに!でも分かりやすく!探っていきましょう!

    画像

    AIエージェントって、一体何者なの?

    まず、AIエージェントって聞くと、SF映画に出てくるようなロボットを想像しちゃうかもしれません!でも、ここで言うエージェントは、もっと身近な存在なんです。

    ホワイトペーパーによると、AIエージェントとは、基本的には 「目標を達成するために、周りの状況を観察して、持っているツールを使って行動するアプリケーション」 のことなんですって。なんだか、私たち人間みたいじゃないですか?

    私たちも、何かを達成したい時って、例えば⋯

    • レポートを書くなら、本やインターネットで情報を集めて( 観察 )、パソコンやペンを使って( ツール )、レポートを書き上げますよね( 行動 )。

    • 美味しい料理を作りたいなら、レシピを見て( 観察 )、包丁やフライパンを使って( ツール )、調理します( 行動 )。

    画像

    AIエージェントも、これと似たようなことをするんです。ただ、使うツールが、データベースの情報だったり、特定のWebサービスだったりするわけです!

    例えば、AIエージェントに「〇〇さんに、会議のお礼メールを送っておいて」と頼んだら、エージェントは 自分で考えて 、メール送信ツールを使って、適切な内容のメールを送ってくれる⋯なんてことが可能になるかもしれないんです!すごくないですか!?

    この「 自分で考えて行動できる 」というのが、AIエージェントの大きな特徴で、「 自律性 」と呼ばれています。さらに、人間からの細かい指示がなくても、「目標達成のためには、次は何をすべきか?」を 積極的に考えて動ける 「 積極性 」も持っているんですって。まさに、賢いアシスタント!って感じですよね!

    画像

    AIエージェントを動かす3つの心臓部!

    じゃあ、この賢いAIエージェントは、どうやって動いているんでしょうか?ホワイトペーパーでは、大きく3つの要素から構成されていると説明されています。まるで、AIエージェントの心臓部みたいですね!

    1. 頭脳となる「モデル」

    まず、一番中心になるのが「 モデル 」です。これは、みなさんも聞いたことがあるかもしれない「言語モデル(LM)」のこと。AIエージェントの 意思決定 を行う、まさに 頭脳 の役割を果たします。

    どんなモデルを使うかは、エージェントにさせたいことによって変わってきます。例えば、文章を作るのが得意なモデル、画像を理解するのが得意なモデルなど、目的に合わせて最適なモデルを選ぶことが大切なんですって。理想的には、エージェントが使う予定の ツールに関するデータで学習されたモデル を使うと、より良い結果が得られるそうです。なるほど⋯!

    2. 世界と繋がる「ツール」

    次に重要なのが「 ツール 」です。モデルだけだと、学習した知識の中でしか考えられません。でも、このツールがあるおかげで、AIエージェントは 外部の世界と繋がることができる んです!

    例えば⋯

    • データベース検索ツール : 顧客の購入履歴を調べて、おすすめ商品を提案する。

    • API呼び出しツール : 天気予報サイトにアクセスして、旅行プランに反映させる。メールを送る。

    などなど、ツールを使うことで、 リアルタイムの情報 にアクセスしたり、 具体的なアクション を起こしたりできるようになります。これによって、単なる文章生成AIを超えた、もっと 専門的で実践的なタスク が可能になるんですね! RAG(Retrieval Augmented Generation) という、外部の知識を取り込んで回答精度を上げる技術も、このツールがあってこそ実現できるそうです。すごい!

    3. 全体を指揮する「オーケストレーション層」

    そして3つ目が「 オーケストレーション層 」です。これは、AIエージェントが どのように情報を処理し、考え、次の行動を決めるか 、その一連の流れを管理する仕組みのことです。

    「情報を集める」→「モデルが考える」→「ツールを使って行動する」→「結果を確認する」⋯といった サイクル を回しながら、目標達成を目指します。このサイクルの複雑さは、タスクによって様々。簡単な計算から、複数のステップを踏む複雑な論理処理まで、いろいろな形があるんですって。まさに、エージェント全体の 指揮官 のような役割ですね!

    画像

    「AIモデル」と「AIエージェント」、何が違うの?

    ここまで聞いて、「あれ?普通のAIモデルと何が違うの?」って思った方もいるかもしれません!ホワイトペーパーでは、その違いも分かりやすく説明されています。

    | 特徴 | AIモデル (例: ChatGPTなど) | AIエージェント |
    | 知識の範囲 | 学習データに含まれる情報が中心 | ツール を使って外部情報にアクセス可能 |
    | 対話の仕方 | 基本的に一問一答。前の会話を覚えていないことも | 会話履歴を管理 し、文脈を踏まえた対話が可能 |
    | ツールの利用 | 基本的にできない | ツールを使う ことが前提の設計 |
    | 思考プロセス | プロンプトで指示された通りに処理 | 自律的な思考(認知アーキテクチャ) を持つ |
    | できることの範囲 | テキスト生成、質問応答などがメイン | より複雑で現実的なタスク (情報検索、実行) |

    簡単に言うと、AIモデルが「知識が豊富な相談相手」だとしたら、AIエージェントは「 知識に加えて、自分で考えて、ツールを使って実際に行動までできる、頼れる実行役 」といった感じでしょうか。より能動的で、できることの幅がぐっと広がるイメージですね!

    画像

    AIエージェントはどうやって考えて動くの?~認知アーキテクチャの仕組み~

    では、AIエージェントがどうやって「考えて動く」のか、その仕組み( 認知アーキテクチャ )について、先ほどの「 忙しいキッチンのシェフ 」の例えを使って、もう少し詳しく見ていきましょう。

    シェフは美味しい料理を作るために、まずお客さんの 注文 を聞き、冷蔵庫や棚に どんな材料があるか を確認しましたね。(情報収集)
    AIエージェントもこれと同じように、まず 目標達成に必要な情報を集める ことから始めます。ユーザーからの指示(プロンプト)を理解し、使えるツールは何か、必要な外部情報は何かを確認するわけです。

    この「 情報を集める 」ステップが、賢い判断と的確な行動の第一歩なんです!さて、情報を集めたシェフは次に何をするでしょうか? AIエージェントの思考プロセスも、これによく似ています。

    画像

    レシピを考えるように:AIエージェントの「思考」プロセス

    情報を集めたシェフは、頭の中で考えますよね?

    • 「この材料なら、あんな料理が作れるかな?」

    • 「この組み合わせなら、きっと美味しいはず!」

    こんな風に、 どんな料理を作るか、どんな味付けにするか 、いわば レシピを考える わけです。これがAIエージェントでいうところの「 思考 」や「 計画(Plan) 」のステップにあたります。集めた情報から、目標達成のために次に何をすべきか、どのような手順で進めるかを考えるんです!

    そして、レシピ(計画)が決まったら、いよいよ 調理開始 です!

    • 野菜をザクザク切ったり⋯

    • スパイスを絶妙にブレンドしたり⋯

    • お肉をジュージュー焼いたり⋯!

    具体的な「 行動(Act) 」に移すわけです。AIエージェントも、考えた計画に基づいて、実際にAPIを呼び出したり、ツールを使ったりして、タスクを実行していきます。

    画像

    臨機応変さがカギ! 実行と調整のサイクル

    でも、料理って計画通りにいかないこともありますよね? シェフは調理の途中で味見をしたり、火加減を調整したりします。

    • 「あれ、思ったより火が強かったかも⋯!」

    • 「お客さん、ちょっと味付け濃いめが好きだったかな?」

    シェフは調理の途中でも、味見をしたり、状況の変化やお客さんのフィードバック(もしあれば)を受け取ったりしながら、 臨機応変に計画を修正 していきます。

    AIエージェントも全く同じなんです! 一度行動したら、その結果(「 観察 」と呼びます)を見て、「これで目標に近づいたかな?」「もっと良い方法はないかな?」と考え、 次の行動計画を微調整 していくんです。

    この「 情報収集 → 思考・計画 → 行動・実行 → 結果の観察・調整 」という一連のサイクル。 これが、AIエージェントが目標を達成するために使う、ユニークな「 認知アーキテクチャ 」と呼ばれる仕組みの基本なんです!まるでシェフが美味しい一皿を完成させるプロセスみたいですよね!

    画像

    AIを賢くする「思考法」:プロンプトエンジニアリングの世界へ

    この賢い思考と行動のサイクルを実現するために、AIエージェントの中心部には「 オーケストレーション層 」と呼ばれる、いわば司令塔のような部分があります。 ここが記憶を管理したり、今の状況を把握したり、そして 思考(推論) や 計画 を担当しているんです。

    この思考や計画をうまくガイドするために使われているのが、「 プロンプトエンジニアリング 」という技術分野です。 AI(特に大規模言語モデル、LLM)に対して、どういう「指示(プロンプト)」を与えれば、より的確に考え、行動してくれるかを研究する分野です!

    このプロンプトエンジニアリングには、色々な「思考の型」とも言えるフレームワークがあります。いくつか代表的なものをご紹介しましょう。

    画像
    • ReAct (Reason and Act) : その名の通り、「 思考(Reason) 」と「 行動(Act) 」を交互に繰り返しながらタスクを進めるフレームワークです。人間が問題を解くときの思考プロセスに近いため、AIの判断根拠が分かりやすくなる、なんて言われています。

    • Chain-of-Thought (CoT) : 日本語だと「思考の連鎖」なんて訳されたりします。複雑な問題に対して、 途中の思考ステップを明示的に書き出す ことで、最終的な答えの精度を高めようとする考え方です。

    • Tree-of-Thoughts (ToT) : CoTをさらに発展させたようなイメージで、 複数の思考の可能性(思考の枝)を探求 しながら、最も有望な思考経路を見つけ出すフレームワークです。より戦略的な探索が必要なタスクに向いています。

    これらのフレームワークを使い分けることで、AIエージェントは様々な状況に対応し、より賢く振る舞うことができるようになるんですね!

    画像

    実践!ReActフレームワークで見るAIのステップ

    例えば、先ほど紹介した ReAct フレームワークを使うと、AIエージェントは具体的にどんな風に動くのでしょうか? 少し覗いてみましょう!

    1. まず、私たちユーザーがAIエージェントに 質問やお願い をします。(例:「東京から大阪までの来週の新幹線を調べて」)
    2. リクエストを受け取ったエージェントは、 ReActの思考サイクル を開始します!
    3. エージェントは内部でモデル(LLM)に問いかけます。「このリクエストに応えるために、 次は何を考えるべき(Thought)? そして どんな行動をとるべき(Action)? 」
    4. モデルは考えます。「(Thought)新幹線の情報を調べる必要があるな。外部の予約システムにアクセスするツールを使おう。」
    5. そして行動を決定します。「(Action)『新幹線予約ツール』を使おう。(Action Input)『出発地:東京、目的地:大阪、日付:来週』で検索だ!」
    6. ツールを実行した結果( Observation )を受け取ります。「(Observation)来週の東京-大阪間の新幹線が見つかりました。空席情報はこちらです。」
    7. エージェント(とモデル)は、この結果を見て、「これでユーザーの質問に答えられるかな?」と考えます。必要であれば、さらに思考と行動を繰り返します。
    8. 最終的に、「(Final Answer)来週の東京発大阪行き新幹線はこちらです。[結果を表示]」といった形で、 ユーザーに最終的な答え を返します。

    画像

    このように、 Thought(思考)→ Action(行動)→ Observation(観察) を繰り返しながら、段階的に答えにたどり着くのがReActの特徴です。

    この例で重要なのは、AIが 単に知っている情報だけで答える(=ハルシネーション、幻覚を起こす)のではなく 、必要に応じて「新幹線予約ツール」という 外部のツールを使って、リアルタイムの正しい情報を取得 している点です! これにより、より信頼性の高い、事実に即した回答が可能になるんです!

    AIエージェントの賢さは、こうした 優れた思考フレームワーク と、外部の世界と繋がるための 適切なツール を使いこなす能力にかかっている、と言えるでしょう。

    まるでシェフが、新鮮な食材(=信頼できる情報源やツール)を使いこなし、お客さんの要望に応えながら最高の料理(=最適な結果)を提供するように、AIエージェントも 確かな思考力 と 信頼できる情報 を駆使して、私たちの期待に応えようとしてくれているんですね!

    画像

    では、AIエージェントがこのように外部のツールや情報源、つまり外部の世界と繋がるためには、具体的にどのような仕組みが使われているのでしょうか? ここで重要になるのが、 「Extensions(エクステンション)」 と 「Functions(ファンクション)」 という二つの考え方です。これらがどのように機能し、どう違うのかを詳しく見ていきましょう。

    画像

    AIエージェントが外部と繋がる仕組み:「Extensions」の役割

    まず、「Extensions」についてです! Extensionsは、AIエージェントがまるで人間のように、 外部の世界を「認識」 したり、 「相互作用」 したり、さらには 「影響を与える」 ための仕組みなんです。

    例えば、AIエージェントが最新の天気予報を知りたい時や、オンラインストアの商品在庫を確認したい時… こういった外部の情報が必要な場合に、Extensionsが活躍します。

    Extensionsは、あらかじめ設定された 「Examples(事例)」 を手がかりにして、どのExtensionを、いつ、どのように使うかを判断します。 そして、 AIエージェント自身が 、必要な情報を持っている外部のサービス(APIなど)に 直接アクセス して、情報を取ってきたり、指示を出したりするんです。 ここがポイントですね! エージェントが直接動く 、それがExtensionsの特徴です。

    画像

    もう一つの賢い連携方法:「Functions」を理解しよう!

    さて、次に「Functions」についてです。こちらもAIエージェントが外部と連携するための仕組みなのですが、Extensionsとは少し違ったアプローチを取るんです!

    「Functions」って、プログラミングの関数と同じ?

    ソフトウェア開発に詳しい方なら、「関数(Function)」という言葉を聞いたことがあるかもしれません! プログラムの中で、特定の仕事をするための、 ひとまとまりのコード のことです。

    AIエージェントにおける「Functions」も、この考え方ととても似ています。 AIモデル(エージェントの頭脳部分ですね!)が、 「この状況なら、このFunctionを使うべきだな!」 と判断し、必要な情報(引数といいます)と一緒に、どのFunctionを使うべきかを 指示 するんです。

    画像

    ここが違う!「Extensions」と「Functions」の決定的ポイント

    では、ExtensionsとFunctionsの決定的な違いはどこにあるのでしょうか? 主に2つのポイントがあります!

    1.  APIコールの実行場所 :

    • Extensions : AIエージェント自身が 直接 APIを呼び出します(エージェントサイド実行)。

    • Functions : AIモデルは「このFunctionを使ってね!」と指示を出すだけで、 実際のAPI呼び出しは行いません 。その指示を受け取った 別のシステム(クライアントサイド) がAPIを呼び出します。
      2.  実行の主体 :

    • Extensions : エージェントが主体となって外部と直接やり取りします。

    • Functions : 実行はクライアントサイド(例えば、私たちが使っているアプリケーション側)に委ねられます。

    ちょっとイメージしにくいかもしれませんが、 ExtensionsはAIエージェント自身が外部に電話をかける感じ 、 FunctionsはAIエージェントが「〇〇さんに△△と伝えておいて」とメモを渡して、それを受け取った別の人が電話をかける感じ 、と考えると分かりやすいかもしれませんね…!

    画像

    どんな時に「Functions」が役立つの? 具体的なケーススタディ

    「じゃあ、どうしてFunctionsなんて仕組みがあるの? Extensionsだけでいいんじゃない?」って思いますよね。 実は、Functionsには、開発者にとって嬉しいメリットがたくさんあるんです!

    開発者がもっとコントロールしたい時

    Functionsを使うと、実際のAPI呼び出しの部分を、AIエージェントから切り離して、アプリケーションの開発者が より細かく制御 できるようになります。 データの流れをしっかり管理したい場合に便利なんです!

    例えば、APIを呼び出す前に、何か特別な処理を加えたい…とか、呼び出した結果を整形してからユーザーに見せたい…といった場合に、Functionsなら柔軟に対応できるんです。

    画像

    セキュリティやタイミングが重要な時

    • セキュリティ : 会社の内部システムなど、 インターネットから直接アクセスできないAPI をAIエージェントから使いたい場合、Functionsなら安全に連携できます。エージェントは直接アクセスせず、内部のクライアントアプリケーションが代わりに実行してくれるからです。

    • タイミング : API呼び出しをすぐに行わず、 バッチ処理 でまとめて実行したい時や、 人間が一度確認してから 実行したい、なんていう場合にもFunctionsが適しています。

    画像

    API呼び出しは誰がやる? クライアントサイド実行のメリット

    ポイントは、このJSONデータを受け取った後です。 AIエージェントはこれで役目を終え、バトンタッチ!

    このJSONを受け取った クライアントサイドのアプリケーション (例えば、旅行予約サイトのシステム)が、この情報(都市名)を使って、 Google Places API のような外部サービスにアクセスし、それぞれの都市の素敵な写真や詳細情報を取得して、ユーザーに見せることができるんです。

    AIエージェントはAPI呼び出しに必要な情報を整理して指示を出すことに集中 し、 実際のAPI呼び出しとその後の処理はクライアントサイドが担当 する… この役割分担が、Functionsの賢いところなんですね!

    「Functions」がもたらす柔軟性と開発者の自由度

    Functionsは、AIエージェントに直接APIを実行させるのではなく、「どの関数を、どの情報で呼び出すべきか」という 指示 を出させる仕組みです。 これにより、開発者はアプリケーション全体の データの流れをより細かく制御 できるようになります。

    セキュリティ、タイミング、データ加工…様々な理由で、APIの実行をエージェントから切り離したい場合に、Functionsは非常に強力な選択肢となります。 外部APIの結果をエージェントに戻して、さらなる推論に役立てるかどうかも、開発者が自由に設計できるんです!ワクワクしますよね!

    画像

    AIエージェント開発において、この 「Extensions」と「Functions」を適切に使い分ける ことは、より賢く、より便利なAIサービスを作るための重要なポイントです。でも、賢いAIエージェントにはもう一つ、欠かせない要素があるんです!それは、常に最新の情報にアクセスできること。言語モデルだけだと、どうしても知識が古くなってしまいますよね?

    そこで次に注目したいのが、AIエージェントの知識をダイナミックにアップデートする仕組み、「 Data Stores 」なんです!AIエージェントをもっと賢く、もっと頼りになる存在にするための重要な技術、それが「 Data Stores 」です!これについて、今回は熱く語っていきたいと思います!

    言語モデルの限界:静的な知識

    まず、大規模言語モデル(LLM)って、膨大な量の本が詰まった図書館みたいなものだって想像してみてください。たくさんのことを知っているんですが… ちょっと困ったことに、その図書館は 一度作られたら新しい本が追加されない んです。つまり、学習した時点までの知識しか持っていないんです!

    でも、現実世界の情報は常に変化していますよね? 最新のニュース、新しい製品情報、会社の内部文書… こういった情報は、最初の学習データには含まれていません。これが、言語モデルが時々、古い情報や少し的外れな答えを返してしまう理由の一つなんです…。うーん、ちょっと残念!

    画像

    Data Storesが解決策!ダイナミックな情報アクセス

    そこで登場するのが「 Data Stores 」です!待ってました!

    Data Storesは、言語モデルが持っている元々の知識(図書館の本)に加えて、 外部にある最新の情報や特定のデータにアクセス できるようにする仕組みなんです。 これによって、AIエージェントは常に 最新で、より正確な情報 に基づいて応答できるようになるんです!すごいですよね!

    例えば、開発者の方が、スプレッドシートやPDFといった形式で、ちょっとした追加データをモデルに渡したい… なんていう、よくあるシナリオを考えてみましょう。

    Data Storesを使えば、開発者はわざわざデータを変換したり、モデルを再トレーニングしたり、ファインチューニングしたりする 手間をかけることなく 、元の形式のままデータをエージェントに提供できるんです!とっても便利で、開発者フレンドリー!

    Data Storesの仕組み:ベクトルデータベースの活用

    じゃあ、どうやってData Storesは機能するんでしょうか? 気になりますよね!

    多くの場合、Data Storesは「 ベクトルデータベース 」として実装されます。 ちょっと難しい言葉が出てきましたね…! でも大丈夫です、分かりやすく解説します!

    簡単に言うと、Data Storesは提供された文書(PDF、ウェブサイト、データベースなど)を、「 ベクトル 」という数値の集まりに変換して保存します。このベクトルは、データの意味や特徴を捉えた、いわば「 データの指紋 」のようなものです。

    AIエージェントは、ユーザーからの質問が来たときに、その質問もベクトルに変換します。そして、ベクトルデータベースの中から、質問のベクトルと 意味的に近い データベクトルを探し出すんです! これによって、膨大なデータの中からでも、質問に関連性の高い情報を効率的に見つけ出すことができるんですね!

    画像

    Data Storesの代表例:RAG(Retrieval Augmented Generation)

    Data Storesを活用した最も有名な技術の一つが、「 RAG(Retrieval Augmented Generation) 」です! 日本語だと「検索拡張生成」なんて呼ばれたりします!

    RAGは、AIエージェントが応答を生成する前に、まずData Stores(ベクトルデータベース)に関連情報を 検索(Retrieval) しにいくんです。そして、見つけてきた情報を 根拠 にして、より正確で信頼性の高い応答を 生成(Generation) するという仕組みです。

    画像

    RAGってどんな仕組み?ユーザーのリクエスト処理フロー

    RAGが動く流れを、ステップごとに見ていきましょう!

    1.  ユーザーからの質問 : まず、ユーザーがAIエージェントに質問を投げかけます。
    2.  質問をベクトル化 : エージェントは、受け取った質問をベクトルに変換します。
    3.  ベクトル検索 : その質問ベクトルを使って、Data Stores(ベクトルデータベース)内で関連性の高い情報を検索します。イメージとしては、図書館の司書さんがキーワードに合う本を探してくれる感じですね!
    4.  関連情報の取得 : 検索で見つかった情報(元のテキスト形式)がエージェントに送られます。
    5.  応答生成 : エージェントは、ユーザーの元の質問と、Data Storesから取得した関連情報の 両方 を考慮して、最終的な応答を生成します。
    6.  ユーザーへの回答 : 生成された応答がユーザーに返されます。

    この流れによって、AIエージェントは 元々の知識だけでは答えられなかった質問 にも、Data Storesの情報を活用して的確に答えられるようになるんです!すごい進化ですよね!

    画像

    RAGでできること:モデルの知識拡張

    RAGを使うことで、AIエージェントは様々な形式のデータにアクセスできるようになります。例えば…

    • ウェブサイトのコンテンツ : 特定のドメインやURLから最新情報を取得!

    • 構造化データ : PDF、Word文書、CSV、スプレッドシートなどの整理されたデータ!

    • 非構造化データ : HTML、PDF、TXTファイルなどの自由な形式のテキストデータ!

    • データベース : リレーショナルデータベースやNoSQLデータベースの情報も!

    つまり、モデルを再トレーニングすることなく、 外部の知識をどんどん取り込んで賢く なっていけるのが、RAGの大きな魅力なんです!

    画像

    AIモデルを賢くする!3つの学習アプローチ

    さて、AIエージェントがData Storesなどの「ツール」を適切に使いこなすためには、どうすればいいのでしょうか? モデルが状況に応じて「どのツールを、いつ、どう使うべきか」を判断する能力を高める必要があるんです。

    そのためのアプローチとして、主に3つの方法があります。それぞれ見ていきましょう!

    ① その場で学習!インコンテキスト学習 (In-context learning)

    これは、モデルに プロンプト(指示)と一緒に、いくつかの「お手本」(few-shot examples) を与えて、その場で学習させる方法です。

    例えば、「こういう質問が来たら、このツールを使って、こんな風に答えてね」という具体的な例をいくつか見せることで、モデルはそのタスクにおけるツールの使い方を 即座に理解 しようとします。 まさに「 実践学習 」ですね! ReActフレームワークなどがこのアプローチの一例です。

    ② 外部知識を活用!検索ベースのインコンテキスト学習 (Retrieval-based in-context learning)

    これは、インコンテキスト学習をさらに進化させた方法です!

    ユーザーからの質問に関連性の高い情報やツール、そしてそれに対応する お手本(Examples) を、Data Storesのような 外部の知識源から動的に検索 してきて、プロンプトに含めるんです。

    これにより、モデルは その場その場で最も適切な情報とお手本 を参照しながら、より的確にツールを選択し、応答を生成できるようになります。 Vertex AIの「Example Store」や、先ほど説明したRAGアーキテクチャがこの例ですね!

    ③ 事前特訓!ファインチューニング (Fine-tuning based learning)

    これは、モデルを使う 前 に、特定のタスクやツールに関する 大量のお手本データセットを使って、追加でトレーニング を行う方法です。

    いわば、モデルに「 専門分野の集中特訓 」を受けさせるイメージですね! これにより、モデルは特定のツールや知識領域について、より深く理解し、ユーザーからの質問が来る 前 から、その使い方を習得しておくことができます。

    画像

    料理で例えると…?3つのアプローチを分かりやすく解説!

    ちょっと分かりにくいかもしれないので、お料理で例えてみましょう! 優秀なシェフ(AIモデル)を育てるプロセスを想像してみてください。

    • インコンテキスト学習 : シェフにお客さんから特定のレシピ(プロンプト)、いくつかの主要な材料(関連ツール)、そして完成料理の写真(お手本)が渡されます。シェフは、限られた情報と自身の基本的な料理知識を頼りに、その場でレシピに最も近い料理を作ろうとします。まさに「ぶっつけ本番」で学ぶスタイルですね!

    • 検索ベースのインコンテキスト学習 : 今度のシェフは、様々な食材や料理本(外部のData Stores、お手本、ツール)がぎっしり詰まった、設備の整ったキッチンにいます! お客さんのレシピに合わせて、 パントリーから動的に最適な食材や料理本を選び出し 、より洗練された料理を作り上げます。外部の知識をフル活用するイメージです!

    • ファインチューニング : シェフを料理学校に送り、特定の料理ジャンル(例えばフランス料理)を集中的に学ばせます(大量の専門データで事前トレーニング)。これにより、シェフはその分野の知識が深まり、 未知のレシピ に対しても、より深い理解を持って対応できるようになります。特定の分野の「専門家」を育てるアプローチですね!

    画像

    これら3つの学習アプローチには、それぞれ 速度、コスト、応答時間(レイテンシ) の面でメリット・デメリットがあります。でも、これらの技術をAIエージェントのフレームワークの中で 賢く組み合わせる ことで、それぞれの長所を活かし、短所を補い合うことができるんです! これにより、より 強力で、状況に応じて柔軟に対応できる AIソリューションを構築することが可能になるんですね! Data Storesとこれらの学習アプローチを理解することは、これからのAI開発において、ますます重要になってきそうです!

    画像

    そこで登場するのが、AIエージェント作りの頼れる相棒、「 LangChain 」と「 LangGraph 」なんです!

    LangChainとLangGraphって何? AIエージェント作りの頼れる相棒!

    簡単に言うと、これらはAI、特に大規模言語モデル(LLM)に、 「考えて(推論して)、行動する(ツールを使う)」 ための 一連の流れ(ロジック) を組み立てやすくしてくれる、オープンソースのライブラリなんです!

    • LangChain : AIに色々な機能(例えばWeb検索や計算など)を持たせるための「部品」をつなぎ合わせて(Chainして)、一連のタスクを実行させるフレームワーク。まさに、AIの能力を拡張する魔法の杖⋯!

    • LangGraph : LangChainの中でも、特に複雑な「状態」を持つエージェントや、ループ処理(繰り返し考え直す)のような、より高度な流れ(Graph)を作るのに特化したライブラリなんですって!

    これらを使うことで、ただ質問に答えるだけじゃなくて、AIが自分で情報を調べたり、他のツールを使ったりしながら、 もっと複雑なユーザーのリクエストに応えられるようになる んです! すごいですよね!

    画像

    LangChainが拓く!「行動するAI」が可能にする未来

    じゃあ、AIが「行動」できると、具体的にどんなすごいことが起きるんでしょうか? LangChainのようなフレームワークがもたらす可能性を、いくつかご紹介します!

    これまで人間が段階を踏んでやっていたような、ちょっと 複雑な作業 ってありますよね?例えば、「最新の市場トレンドを調べて、関連ニュースをいくつかピックアップして、その要約レポートを作成する」みたいな⋯。

    これ、結構手間がかかりますよね?でも、LangChainを使ってAIと外部ツールを連携させれば、AIが自動で複数の情報源からデータを集めて、分析して、レポート作成まで、 一連の流れ(ワークフロー)を自動化 できちゃうかもしれないんです!

    • 情報収集 : ニュースサイトやデータベースから関連情報を自動で検索・収集!

    • 分析・要約 : 集めた情報をAIが理解し、重要なポイントを抽出!

    • レポート生成 : 分かりやすい形でレポートを自動作成!

    こんなことが実現したら、私たちの働き方も大きく変わりそうですよね⋯!まさに 生産性革命 って感じです!

    画像

    皆さんだけのAIアシスタント?驚きのパーソナライズ体験!

    AIが外部の情報やツールにアクセスできるということは、 一人ひとりに合わせた、より細やかな対応 も可能になるってことなんです!

    例えば、皆さんが「週末におすすめの旅行先を探して、予算内で良さそうなホテルも予約しておいて!」ってAIにお願いしたとします。

    LangChainで繋がったAIなら、皆さんの好み(過去の旅行履歴とか?)や、リアルタイムの天気予報、交通情報、ホテルの空き状況なんかを全部調べて、 皆さんにピッタリの旅行プランを提案 し、さらに 予約まで代行 してくれる⋯なんて未来も、もうすぐそこかもしれません!

    まるで、 自分専用の超優秀な秘書 がいるみたいですよね!これは期待しちゃいます⋯!

    画像

    ビジネスが変わる!業務効率化・高度化の波!

    もちろん、ビジネスの世界でもLangChainのような技術は 大きなインパクト をもたらす可能性を秘めています!

    • 市場調査・競合分析 : 最新の市場データや競合の動向をAIが自動で収集・分析し、戦略立案をサポート!もう徹夜で情報収集しなくていいかも⋯?

    • 顧客サポートの進化 : お客様からの問い合わせに対し、関連情報を自動で検索し、最適な回答を生成。場合によっては、FAQの更新や担当者への引き継ぎまで自動化!待ち時間も減るかもしれません!

    • コンテンツ作成支援 : ターゲット層に響くブログ記事のテーマを提案したり、SNS投稿のアイデアを出したり、さらには画像生成AIと連携して、投稿に必要な画像を自動で作ったり⋯!クリエイティブな作業も、AIが強力にバックアップしてくれる時代が来るんですね!

    このように、様々な業務を 効率化 するだけでなく、これまで人間だけでは難しかったレベルでの 高度な分析や提案 も可能になり、ビジネスの可能性を大きく広げてくれそうです!

    画像

    「行動するAI」時代を生き抜くために

    このように、LangChainのようなフレームワークを使ってAIモデルと外部ツールを連携させることで、AIは単なる情報検索や文章生成マシンではなく、 具体的な問題を解決するための「行動」ができるエージェント へと進化しています。

    LangChainや、その関連技術であるLangGraph(らんぐぐらふ)のようなツールを理解し、使いこなしていくことは、これからのAI時代において、 より高度で実用的なAIソリューションを生み出すための重要なスキル になっていくはずです!

    いやー、AIエージェントの世界、本当に奥が深くて、これからどんなことができるようになるのか、ますます楽しみですね⋯!私たちも、この変化の波に乗り遅れないように、しっかりアンテナを張っていきたいところです。では、その「行動するAIエージェント」って、具体的にどんな風に私たちの問いに応えてくれるのでしょうか?

    ここからはAIエージェントが実現する「具体的な行動」とは?
    について解説していきたいと思います!

    画像