0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

なぜ自作AIエージェントは本番で爆死するのか?LangGraphによるSupervisor統制と状態永続化のアンチパターン脱却術

0
Posted at

なぜ自作AIエージェントは本番で爆死するのか?LangGraphによるSupervisor統制と状態永続化のアンチパターン脱却術

Feature(243).png

はじめに:PoCで動いても、本番で死ぬAIエージェント

こんにちは、NKKTech Global 技術チームです。

LangChainやAuto-GPT系のライブラリを使って、ローカル環境で「自律的にタスクをこなすAIエージェント」のプロトタイプを作るのは難しくありません。しかし、それを本番環境(エンタープライズ業務)へ投入した瞬間、多くの開発チームが以下の**「3大事故」**に直面して炎上します。

  1. 無限ループによるAPI課金爆破: エージェント同士が「これでいいですか?」「修正してください」と延々と議論を繰り返し、一晩で数十万円のAPI費用を溶かす。
  2. コンテナ再起動による「完全記憶喪失」: 10ステップ中8ステップ目まで進んだ段階でサーバーが瞬断・タイムアウトし、これまでの思考履歴が全消失して最初からやり直しになる。
  3. 不可逆アクションの暴走: 「調査だけして」と頼んだはずなのに、LLMが勝手に推論を進めて外部APIを叩き、本番データを誤更新してしまう。

従来の「While文でLLMを回すだけのスクリプト」では、これらを制御できません。
本記事では、この3大アンチパターンを**LangGraphの「Supervisor(監督者)パターン」と「Checkpointer(状態永続化)」**によって物理的に封じ込める、本番運用のための再設計アプローチを解説します。


1. 現場を苦しめる3つのアンチパターンとLangGraphによる解決策

発生する事故(アンチパターン) 根本原因 LangGraphによる解決策
① 無限ループ・トークン破産 終了条件(Exit Condition)がLLMの気分に委ねられている Supervisor構造化ルーティング + recursion_limit
② メモリ消失・再実行不能 状態(State)がプロセスのインメモリにしか存在しない Checkpointer(PostgreSQL/SQLite)による自動スナップショット
③ 予期せぬ破壊的実行 自律実行と人間の承認(ガバナンス)が切り離せない interrupt_before による一時停止とHuman-in-the-loop

2. アーキテクチャの対比:自由放任から「中央統制」へ

エージェント同士を直接チャットさせるのではなく、「すべての報告は必ず中央のSupervisor(監督者)を経由する」ハブ&スポーク構造へ移行します。


3. 実装:アンチパターンを粉砕する堅牢コード

以下のコードは、「無限ループ防止」「構造化意思決定」「SQLiteによる状態保存」を標準装備した本番対応テンプレートです。

必要なライブラリ

pip install -U langgraph langchain-core langchain-openai pydantic

実装スクリプト (resilient_multi_agent.py)

import os
import sqlite3
from typing import Literal, TypedDict, Annotated, Sequence
from pydantic import BaseModel, Field

from langchain_core.messages import BaseMessage, HumanMessage, SystemMessage
from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langgraph.checkpoint.sqlite import SqliteSaver

# =========================================================
# 1. 状態定義 (メッセージの安全な追記)
# =========================================================
class AgentState(TypedDict):
    messages: Annotated[Sequence[BaseMessage], add_messages]
    next_step: str

# =========================================================
# 2. Supervisorの意思決定を「構造化(JSON)」してブレをなくす
# =========================================================
class RouterSchema(BaseModel):
    next_worker: Literal["researcher", "coder", "FINISH"] = Field(
        description="次に実行させるワーカー名。タスクが完了したと判断できる場合は必ず 'FINISH' を指定。"
    )
    reason: str = Field(description="そのワーカーを選んだ、または終了と判断した論理的理由")
    instruction_for_worker: str = Field(description="選んだワーカーに対する明確なタスク指示")

llm = ChatOpenAI(model="gpt-4o", temperature=0.0)

# =========================================================
# 3. ノード定義
# =========================================================
def supervisor_node(state: AgentState):
    """すべての指示と終了判定を一括管理する監督者ノード"""
    system_prompt = (
        "あなたは開発プロジェクトの統括責任者です。ユーザーのゴールを達成するために、"
        "専門ワーカー(researcher, coder)を適切に使い分けてください。"
        "必要な情報が揃い、成果物が完成した場合は、絶対に躊躇せず 'FINISH' を選択してください。"
    )
    messages = [SystemMessage(content=system_prompt)] + list(state["messages"])
    
    # Pydanticモデルをバインドして強制的に構造化出力を得る(プロンプトの揺れを排除)
    decision = llm.with_structured_output(RouterSchema).invoke(messages)
    
    return {
        "next_step": decision.next_worker,
        "messages": [SystemMessage(content=f"[Supervisor判断: {decision.reason}] 指示: {decision.instruction_for_worker}")]
    }

def researcher_node(state: AgentState):
    """調査・情報収集に特化したノード(外部APIや社内検索などを実行)"""
    prompt = SystemMessage(content="あなたはリサーチ担当です。事実に基づき過不足なく情報をまとめてください。")
    res = llm.invoke([prompt] + list(state["messages"]))
    return {"messages": [HumanMessage(content=res.content, name="researcher")]}

def coder_node(state: AgentState):
    """実装に特化したノード"""
    prompt = SystemMessage(content="あなたはプログラマーです。堅牢でエラーハンドリングの行き届いたコードを出力してください。")
    res = llm.invoke([prompt] + list(state["messages"]))
    return {"messages": [HumanMessage(content=res.content, name="coder")]}

# =========================================================
# 4. グラフ構築と安全停止ブレーキ(Checkpointer & Breakpoint)
# =========================================================
builder = StateGraph(AgentState)

builder.add_node("supervisor", supervisor_node)
builder.add_node("researcher", researcher_node)
builder.add_node("coder", coder_node)

builder.add_edge(START, "supervisor")

# Supervisorの出力に応じて動的ルーティング
builder.add_conditional_edges(
    "supervisor",
    lambda state: state["next_step"],
    {
        "researcher": "researcher",
        "coder": "coder",
        "FINISH": END
    }
)

# 各ワーカーは処理が終わったら必ずSupervisorに戻る(勝手な連鎖呼び出しの禁止)
builder.add_edge("researcher", "supervisor")
builder.add_edge("coder", "supervisor")

# 状態永続化: 1ノード進むごとに自動コミットされるDB接続
conn = sqlite3.connect("production_agent_state.db", check_same_thread=False)
checkpointer = SqliteSaver(conn)

# 【本番防御設定】
# 1. coderが動く直前に処理を強制中断(人間の確認待ち状態にする)
# 2. checkpointerにより、中断しても全変数がDBに保持される
app = builder.compile(
    checkpointer=checkpointer,
    interrupt_before=["coder"] 
)

4. 事故を防ぐ現場の運用フロー(中断と安全な再開)

上記のコードを実行すると、エージェントは勝手にコード生成や外部実行を行わず、「人間の承認」を待つ安全な停止状態に入ります。

① 実行と自動停止の検証

# 会話を識別する一意のセッションID
config = {
    "configurable": {"thread_id": "ticket-PROD-9981"},
    "recursion_limit": 10 # 【重要】10回ノードが遷移したら強制停止(課金爆発防止)
}

# ユーザーからのタスク投入
app.invoke(
    {"messages": [HumanMessage(content="社内ログ監視用の正規表現パーサーを作って")]},
    config=config
)

# 実行状態の確認
state = app.get_state(config)
print(f"現在の停止地点: {state.next}")
# 出力: 現在の停止地点: ('coder',)  <-- Coder実行の手前で確実にポーズしている!

② 人間がレビューして再開(Resume)させる

管理画面やSlack等で人間が「よし、このまま実装させてOK」と判断した場合、何も引数を渡さずに invoke(None) を呼ぶだけで、DBから完全復元されて続きが始まります。

# 人間の承認が下りたので再開
app.invoke(None, config=config)

final_state = app.get_state(config)
print("完了後の最終メッセージ:")
print(final_state.values["messages"][-1].content)

もし「方針が違う」と思えば、人間がメッセージを注入してSupervisorに差し戻すことも可能です。


5. 本番運用で必ず守るべき「3大鉄則」

  1. recursion_limit を絶対に省略しない:
    LangGraphのデフォルトは25ステップですが、業務内容に応じて 10〜15 など必要最小限に設定します。無限ループを「コードの仕組み」で物理的に遮断してください。
  2. 本番環境は PostgresSaver 一択:
    コンテナが死んでも即座に別ノードで復帰できるよう、ローカルファイルではなくマネージドPostgreSQL(RDSやAurora)へステートを逃がします。
  3. 入出力のスキーマ固定(with_structured_output):
    「次に何をすべきか」をフリーテキストでLLMに返させてはいけません。必ずPydanticモデルで縛り、予期しない文字列によるルーティングクラッシュを防ぎます。

まとめ:自律型AIにこそ「強固なシートベルト」を

AIエージェントの価値は、「人間が何もしなくても勝手に動くこと」ではありません。**「人間が決めた境界線の中で自律的に動き、境界を越えそうな時は安全に止まること」**です。

  • Supervisorパターン でエージェントの会話を中央監視・統制する。
  • Checkpointer で全ステップを永続化し、クラッシュ耐性を担保する。
  • Human-in-the-loop で、重要アクションに対する決定権を人間に残す。

この3つの防壁を敷いて初めて、AIエージェントは企業の基幹業務を任せられる「本物の戦力」になります。


お問い合わせ先

LangGraphを用いた業務特化型マルチエージェントの開発、AIエージェントのガバナンス設計、本番運用アーキテクチャのレビューに関するご相談は、下記よりお気軽にお問い合わせください。

著者:NKKTech Global 技術チーム
私たちは、確かなソフトウェアエンジニアリングとガバナンス設計で、企業のAIトランスフォーメーションをグローバルに支えます。

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?