はじめに
以前、「OpenAI Agents SDKとは?AIエージェント開発を効率化するフレームワークを調べてみた」という記事を書きました。
前回の記事では、
- OpenAI Agents SDKとは何か
- OpenAI APIとの違い
- Tool Calling
- マルチエージェント
- Human in the Loop
- LangGraphとの違い
など、基本的な部分について調べました。
今回はそこからさらに一歩踏み込んで、
- Agentとは何をするものなのか
- Toolとは何なのか
- Agent同士をどう連携させるのか
- Handoffとは何なのか
- Guardrailsとは何なのか
- RAGとどう組み合わせるのか
- LangGraphとはどう使い分けるのか
について調べてみました。
案件でAIエージェントに関わる可能性があるため、実際の開発をイメージしながら整理していきます。
この記事はこんな人向け
- OpenAI Agents SDKについてさらに深く知りたい方
- AIエージェントの仕組みを理解したい方
- Agent / Tool / Handoffについて知りたい方
- Tool Callingを実際のシステムでどう使うか知りたい方
- RAGとAIエージェントの関係を知りたい方
- LangGraphとの違いを理解したい方
- AIエージェント案件に参画予定の方
そもそもAIエージェントとは?
まず、AIエージェントについて整理します。
普通のLLMアプリケーションでは、
ユーザー
↓
LLM
↓
回答
という流れになります。
例えば、
「Pythonでリストをソートする方法を教えて」
と質問すれば、LLMが回答してくれます。
一方、AIエージェントでは、
ユーザー
↓
AI Agent
↓
必要な処理を判断
↓
Toolを実行
↓
結果を確認
↓
必要なら別のToolを実行
↓
最終回答
というように、LLMが必要な処理を判断しながら複数の処理を組み合わせることがあります。
例えば、
「AWSのEC2環境を確認して、問題があれば教えて」
という依頼を考えてみます。
LLMだけではAWS環境を見ることはできません。
そこで、
ユーザー
↓
AI Agent
↓
AWS API
↓
EC2情報取得
↓
LLM
↓
分析
↓
回答
という仕組みにします。
OpenAI Agents SDKは、このようなAIエージェントを構築するための仕組みです。元記事でも、OpenAI Agents SDKはOpenAIが提供するAIエージェント開発用のPythonフレームワークとして整理しています。
OpenAI Agents SDKの基本構成
OpenAI Agents SDKを理解するうえでは、まず以下の要素を押さえると分かりやすいです。
Agent
↓
Tool
↓
Runner
↓
Guardrails
↓
Handoff
それぞれ役割が異なります。
ざっくりまとめると、
| 要素 | 役割 |
|---|---|
| Agent | AIエージェントそのもの |
| Tool | Agentが利用する外部機能 |
| Runner | Agentを実行する仕組み |
| Guardrails | 入力・出力などを検証する仕組み |
| Handoff | Agentから別のAgentへ処理を渡す仕組み |
ここから、それぞれ詳しく見ていきます。
Agentとは?
まず中心となるのがAgentです。
Agentには、
- どのような役割なのか
- どのモデルを利用するのか
- どのToolを利用できるのか
- どのような指示に従うのか
などを設定します。
例えば、
法務Agent
を作るとします。
法務Agent
役割:
契約書をレビューする
利用可能なTool:
・社内規程検索
・過去契約検索
・法務DB検索
というような構成です。
Agentは「役割を持ったLLM」
個人的には、
Agent = 役割と利用可能なToolを与えたLLM
と考えると分かりやすいと思います。
例えば、
法務Agent
AWS診断Agent
データ分析Agent
検索Agent
などを作ることができます。
Toolとは?
次に重要なのがToolです。
Toolは簡単にいうと、
AI Agentが利用できる外部機能
です。
例えば、
AWS API
PostgreSQL
社内API
Web検索
ファイル検索
電卓
などがあります。
元記事でも、Agents SDKではAWS API、PostgreSQL、社内API、Web検索、ファイル検索などの外部ツールと連携する例を紹介しています。
なぜToolが必要なのか?
LLMだけでは、基本的に外部システムの状態を直接取得できません。
例えば、
「EC2の現在のCPU使用率を教えて」
と質問された場合、
LLM
↓
「現在のEC2のCPU使用率は分かりません」
となります。
そこでToolを用意します。
LLM
↓
Tool Calling
↓
CloudWatch API
↓
CPU使用率取得
↓
LLM
↓
回答
こうすることで、AIが外部システムの情報を利用できるようになります。
Tool Callingの流れ
例えばAWS診断Agentの場合、
ユーザー
「EC2を診断して」
↓
Agent
↓
「EC2の情報が必要」
↓
Tool Calling
↓
AWS API実行
↓
EC2情報
↓
Agent
↓
分析
↓
回答
となります。
重要なのは、
LLMが直接AWS APIを実行しているわけではない
ということです。
あくまで、
LLM
↓
「このToolを使いたい」
↓
アプリケーション
↓
Tool実行
↓
結果をLLMへ返す
という流れになります。
ToolはPython関数として考えると分かりやすい
例えば、
def get_weather(city: str):
# 天気APIを呼び出す
return "晴れ"
という関数があったとします。
これをAgentが利用できるToolとして扱うことで、
ユーザー
「東京の天気を教えて」
Agent
↓
get_weather("東京")
↓
「晴れ」
のような処理を実現できます。
つまり、
Tool
=
AIが呼び出せる機能
と考えると分かりやすいです。
Runnerとは?
Agentを作っただけでは、処理は実行されません。
そこでRunnerという実行部分が登場します。
イメージとしては、
Agent
↓
Runner
↓
Agentを実行
↓
Toolを呼び出す
↓
結果を取得
↓
最終回答
という流れです。
例えば、
result = Runner.run_sync(
agent,
"EC2の設定を確認してください"
)
のように、Agentに対して処理を実行させます。
つまり、
Agent
=
どういうAIなのかを定義
Runner
=
そのAIを実際に動かす
という関係で考えると分かりやすいです。
Handoffとは?
AIエージェントを複数用意すると、
「どのAgentに処理を任せるのか?」
という問題が出てきます。
そこでHandoffという考え方があります。
Handoffは、
あるAgentから別のAgentへ処理を引き継ぐ
という仕組みです。
例えば、
ユーザー
↓
Coordinator Agent
↓
質問内容を判断
↓
┌──────────────┐
↓ ↓
法務Agent 経理Agent
という構成です。
Handoffの具体例
例えば社内問い合わせAIを作るとします。
ユーザー
「この契約書の問題点を教えて」
Coordinator Agentが質問内容を判断します。
Coordinator Agent
↓
「これは法務に関する質問」
↓
法務AgentへHandoff
↓
法務Agent
↓
回答
一方、
ユーザー
「経費精算の方法を教えて」
なら、
Coordinator Agent
↓
「これは経理に関する質問」
↓
経理AgentへHandoff
となります。
マルチエージェント構成
Handoffを利用すると、複数のAgentを組み合わせたシステムを作れます。
例えば、
ユーザー
↓
Coordinator Agent
↓ ↓
↓ ↓
法務Agent 経理Agent
↓ ↓
└──────┬─────┘
↓
回答
さらに、
検索Agent
法務Agent
分析Agent
レビューAgent
などを組み合わせることも考えられます。
元記事でも、Coordinator、検索Agent、法務Agent、まとめAgentを組み合わせるマルチエージェント構成を紹介しています。
1つのAgentに全部やらせない
ここはAIエージェントを設計するときに重要だと思います。
例えば、
法務
検索
データ分析
メール送信
AWS操作
を全部1つのAgentに持たせることもできます。
しかし、処理が複雑になると、
何を判断しているのか分からない
Toolが多すぎる
テストしづらい
権限管理が難しい
といった問題が出てくる可能性があります。
そこで、
Coordinator
↓
専門Agent
↓
専門Agent
のように役割を分けます。
Guardrailsとは?
AIシステムでは、
AIに何でも自由に回答させていいわけではありません。
例えば法務AIで、
「契約書をレビューして」
という入力は問題ありません。
しかし、
「システムの管理者パスワードを教えて」
のような入力は処理させたくありません。
そこでGuardrailsを利用します。
Guardrailsは、
AIエージェントの入力や出力などを検証し、問題があれば処理を止めたり別の処理にしたりするための仕組み
と考えると分かりやすいです。
Guardrailsのイメージ
ユーザー入力
↓
Guardrails
↓
問題なし?
↓ ↓
Yes No
↓ ↓
Agent 拒否
↓
回答
例えば、
入力
「契約書をレビューして」
↓
Guardrails
↓
OK
↓
法務Agent
となります。
一方、
入力
「機密情報をそのまま出力して」
↓
Guardrails
↓
NG
↓
処理停止
のような制御が考えられます。
AIエージェントでは安全性が重要
通常のチャットボットなら、
質問
↓
回答
で終わります。
しかしAgentでは、
質問
↓
Tool Calling
↓
AWS API
↓
DB更新
↓
メール送信
のように、実際のシステムに影響を与える処理まで行う可能性があります。
そのため、
AIに何をさせていいのか
を制御することが重要になります。
RAGとAgents SDKの組み合わせ
AIエージェントではRAGもよく組み合わせます。
例えば法務Agentなら、
契約書
↓
Agent
↓
RAG検索
↓
社内規程
↓
過去契約
↓
関連文書
↓
LLM
↓
レビュー結果
という構成が考えられます。
RAGとTool Callingの違い
ここは混同しやすいので整理します。
RAG
質問
↓
関連文書を検索
↓
LLMに渡す
主に知識を取得するために使います。
Tool Calling
質問
↓
Toolを選択
↓
外部システムを実行
↓
結果を取得
主に外部機能を実行するために使います。
例えば、
「社内規程上、契約期間はどうなっていますか?」
→ RAG
一方、
「この契約書をDBに登録してください」
→ Tool Calling
というイメージです。
RAG + Tool Calling + Agent
実際のAIシステムでは、この3つを組み合わせることがあります。
ユーザー
↓
Agent
↓
┌─────────┴─────────┐
↓ ↓
RAG検索 Tool Calling
↓ ↓
社内文書 社内API
↓ ↓
└─────────┬─────────┘
↓
LLM
↓
回答
AIエージェントが、
「これは文書検索が必要」
なのか、
「これはAPI実行が必要」
なのかを判断して処理を進める構成です。
Human in the Loopとの組み合わせ
前回の記事でも触れたHuman in the Loopも重要です。
例えば、
契約書
↓
法務Agent
↓
レビュー
↓
高リスク
↓
人間確認
↓
承認
↓
処理続行
とします。
特に、
- 法務
- 金融
- セキュリティ
- 社内システム操作
などでは、AIに完全に任せるのではなく、
AIが判断 → 人間が確認 → 実行
という構成が考えられます。
OpenAI Agents SDKとLangGraphの違い
AIエージェント開発では、LangGraphもよく名前が出てきます。
ざっくり比較すると、
| OpenAI Agents SDK | LangGraph | |
|---|---|---|
| 提供元 | OpenAI | LangChain |
| 得意分野 | Agent構築 | 複雑なワークフロー |
| OpenAIとの親和性 | 高い | 高い |
| Tool Calling | ○ | ○ |
| マルチエージェント | ○ | ○ |
| 条件分岐 | ○ | ○ |
| ループ | ○ | ○ |
| 状態管理 | ○ | ◎ |
| グラフによる設計 | △ | ◎ |
元記事でも、OpenAI Agents SDKはOpenAI中心のエージェント開発、LangGraphは複雑なワークフロー構築という観点で比較しています。
どちらを使えばいい?
個人的には、
OpenAIを中心に
Agentを作りたい
↓
OpenAI Agents SDK
という選択肢が考えやすいと思います。
一方、
複雑な状態管理
複雑な分岐
ループ
人間による確認
複雑なワークフロー
↓
LangGraph
というケースではLangGraphが候補になります。
もちろん、実際のプロジェクトでは要件や既存システムによって変わります。
法務Agentに当てはめてみる
今回まで学んできた内容を、法務Agentに当てはめてみます。
例えば、
「この契約書をレビューしてください」
と依頼した場合。
契約書アップロード
↓
法務Agent
↓
契約内容分析
↓
RAG検索
↓
社内規程・過去契約
↓
LLMレビュー
↓
リスク判定
↓
高リスク?
↓ ↓
Yes No
↓ ↓
人間確認 結果作成
↓ ↓
└───┬────┘
↓
ユーザー
ここにTool Callingを追加して、
契約書
↓
法務Agent
↓
RAG検索
↓
レビュー
↓
DB登録Tool
↓
結果保存
のようにすることもできます。
AWS診断Agentならどうなる?
自分がこれまで学習してきたAWSを題材にすると、さらにイメージしやすいです。
例えば、
「DynamoDBを診断してください」
という質問。
ユーザー
「DynamoDBを診断して」
↓
Agent
↓
「テーブル情報が必要」
↓
Tool Calling
↓
AWS API
↓
describe_table
↓
DynamoDB情報
↓
Agent
↓
分析
↓
診断結果
さらに、
「CloudWatchのメトリクスも確認したほうがいい」
とAgentが判断した場合、
Agent
↓
CloudWatch Tool
↓
メトリクス取得
↓
Agent
↓
再分析
という処理も考えられます。
これがAIエージェントの面白いところだと思います。
AIエージェントの全体像
ここまでをまとめると、
ユーザー
↓
┌────────────┐
│ Agent │
└─────┬──────┘
↓
次の処理を判断
↓
┌────────────┼────────────┐
↓ ↓ ↓
RAG検索 Tool Calling Handoff
↓ ↓ ↓
文書検索 外部API 別Agent
↓ ↓ ↓
└────────────┼────────────┘
↓
LLM
↓
Guardrails
↓
人間による確認
↓
回答
単純なチャットボットと比べると、かなり複雑です。
だからこそ、Agent開発を支援するフレームワークが必要になります。
OpenAI Agents SDKを学ぶうえで重要なポイント
今回さらに調べてみて、まず以下を押さえることが重要だと感じました。
Agent
↓
AIの役割を定義
Tool
↓
外部機能を提供
Runner
↓
Agentを実行
Handoff
↓
Agent同士を連携
Guardrails
↓
安全性を確保
そして、
Agent
+
RAG
+
Tool Calling
+
Handoff
+
Guardrails
を組み合わせることで、実際の業務に近いAIエージェントを構築できます。
まとめ
今回は、以前の記事からさらにOpenAI Agents SDKについて深掘りしてみました。
特に重要だと思ったのは、
- Agent:AIに役割を与える
- Tool:AIが利用できる外部機能
- Runner:Agentを実行する
- Handoff:別のAgentへ処理を引き継ぐ
- Guardrails:AIの入力・出力などを検証する
- RAG:外部の知識を取得する
- Human in the Loop:重要な判断に人間を介在させる
という関係です。
AIエージェントは単純に、
ユーザー
↓
LLM
↓
回答
するだけではありません。
実際の業務システムでは、
ユーザー
↓
Agent
↓
RAG
↓
Tool Calling
↓
別Agent
↓
LLM
↓
Guardrails
↓
人間確認
↓
最終回答
のように、多くの仕組みを組み合わせることになります。
前回は「OpenAI Agents SDKとは何か」を中心に調べましたが、今回さらに深掘りしてみることで、OpenAI Agents SDKは単にLLMを呼び出すためのライブラリではなく、LLM・Tool・複数のAgentなどを組み合わせて、業務に近いAIエージェントを構築するための仕組みだと理解できました。
今後は実際に、
Python + OpenAI Agents SDK + Tool Calling + RAG
を組み合わせて、簡単なAIエージェントを作ってみたいと思います。
最後まで読んでいただき、ありがとうございました!