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
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。
- 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。
- 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。
- 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」
-
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。 -
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。 -
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。
- Webサイト: https://nkktech.com/
- メール: contact@nkk.com.vn
- LinkedIn: https://www.linkedin.com/company/nkktech
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。
