LLM(大規模言語モデル)を活用したアプリケーションや自律型エージェントの構築において、「単一のエージェントで処理させるか(シングルエージェント)」「役割分担した複数のエージェントを協調させるか(マルチエージェント)」というアーキテクチャの選定は、開発コストや保守性に直結する重要な判断要素です。
本記事では、両パターンのトレードオフ、実務での選定チェックリスト、およびLangChain / LangGraphを用いた具体的な実装例を解説します。
読者が抱える課題と本記事の目的
- マルチエージェント構造を導入したが、通信オーバーヘッドやルーティングの複雑化により制御不能になっている
- シングルエージェントで複雑なタスクを処理させようとしてプロンプトが肥大化し、精度が低下している
- システムの要件に対してどちらの構成を採用すべきかの客観的な判断基準が分からない
本記事で分かること:
- シングルエージェントとマルチエージェントのメリット・デメリット比較
- アーキテクチャ選定のためのチェックリスト
- LangChain / LangGraph を用いたそれぞれの実装コード例
構成比較:シングルエージェント vs マルチエージェント
| 評価項目 | シングルエージェント | マルチエージェント |
|---|---|---|
| 主な構造 | 1つのLLMがTool呼出しや思考ループを担う | 役割ごとにLLMを分割し、グラフやキューで連携 |
| プロンプトの複雑さ | 高(全ルール・ツール仕様を1つに集約) | 低〜中(役割ごとにプロンプトを限定) |
| デバッグ性 | 比較的容易(推論ログが単一ライン) | 複雑(エージェント間の文脈推移追跡が必要) |
| APIコスト・レイテンシ | 低〜中 | 中〜高(呼び出し回数が増加しやすい) |
| 適したユースケース | 明確な単一タスク、検索+回答生成(RAG) | 複雑なレビュープロセス、専門分野別の調査統合 |
実務におけるアーキテクチャ選定チェックリスト
どちらの構成を採用するか迷った場合は、以下の条件を確認してください。
-
1. タスクの分解可能性
- 処理が「リサーチ」「執筆」「査読」のように明確なフェーズ・役割に分かれているか?
- YES → マルチエージェントを検討
-
2. コンテキストウィンドウの制限とプロンプトサイズ
- 1つのシステムプロンプトに持たせるルールやツール定義が過多になり、指示に従わない状態が発生しているか?
- YES → マルチエージェントを検討
-
3. レイテンシおよびAPIコストの許容度
- リアルタイムに近い応答速度や低い運用コストが要求されるか?
- YES → シングルエージェントを推奨
-
4. 運用・保守体制
- エージェント間の遷移ログや状態管理を行うための可視化・デバッグ基盤を用意できるか?
- NO → まずはシングルエージェントから開始することを推奨
実装例:LangChain / LangGraph によるコード比較
以下の実装例は、PythonのLangChainおよびLangGraphライブラリを利用した概念実証(PoC)用のコード例です。実行にあたっては、事前に必要ライブラリのインストールとAPIキーの設定を行ってください。
※ライブラリのバージョンアップにより構文が変更される可能性があるため、実装時には最新の公式ドキュメントを確認してください。
1. シングルエージェントの例(LangChain Agent)
単一のエージェントが検索ツールを活用して回答を生成する基本構造です。
import os
from langchain_community.tools import TavilySearchResults
from langchain_openai import ChatOpenAI
from langchain.agents import create_openai_functions_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
# 1. ツールとLLMの準備
# ※ 実行には TAVILY_API_KEY および OPENAI_API_KEY の環境変数が開示環境に応じて必要です
tools = [TavilySearchResults(max_results=2)]
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
# 2. プロンプトの定義
prompt = ChatPromptTemplate.from_messages([
("system", "あなたは優秀なリサーチアシスタントです。必要に応じて検索ツールを使用してください。"),
MessagesPlaceholder(variable_name="chat_history", optional=True),
("human", "{input}"),
MessagesPlaceholder(variable_name="agent_scratchpad"),
])
# 3. エージェントの構築
agent = create_openai_functions_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 実行例
# response = agent_executor.invoke({"input": "LangGraphの最新の概要を教えてください"})
# print(response["output"])
2. マルチエージェントの例(LangGraphによる役割分担)
リサーチを担当するエージェントと、内容のレビュー・整文を担当するエージェントをノードとしてグラフ構造で定義する例です。
from typing import TypedDict, Annotated, Sequence
import operator
from langchain_core.messages import BaseMessage, HumanMessage, SystemMessage
from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, END
# 1. 状態(State)の定義
class AgentState(TypedDict):
messages: Annotated[Sequence[BaseMessage], operator.add]
next_node: str
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
# 2. 各役割のノード関数を定義
def researcher_node(state: AgentState):
messages = state["messages"]
system_prompt = SystemMessage(content="あなたはリサーチャーです。与えられた問いに対し必要な事実関係を整理してください。")
response = llm.invoke([system_prompt] + list(messages))
return {"messages": [response]}
def writer_node(state: AgentState):
messages = state["messages"]
system_prompt = SystemMessage(content="あなたはライターです。リサーチ結果をもとに、分かりやすい要約を作成してください。")
response = llm.invoke([system_prompt] + list(messages))
return {"messages": [response]}
# 3. ワークフローグラフの構築
workflow = StateGraph(AgentState)
workflow.add_node("researcher", researcher_node)
workflow.add_node("writer", writer_node)
# 処理フローのエッジを定義(リサーチャー -> ライター -> 終了)
workflow.set_entry_point("researcher")
workflow.add_edge("researcher", "writer")
workflow.add_edge("writer", END)
app = workflow.compile()
# 実行例
# inputs = {"messages": [HumanMessage(content="マルチエージェント構成のメリットについてまとめてください")]}
# output = app.invoke(inputs)
# print(output["messages"][-1].content)
導入時および運用上の注意点
-
過度なマルチエージェント化の回避
最初から複雑なマルチエージェント構成を組むと、トラブルシューティング時の原因特定が非常に難しくなります。原則としてシングルエージェント+関数の呼び出し(Tool Calling)から開始し、単一プロンプトでの精度限界に達した場合にマルチエージェントへの分割を検討してください。 -
ループとトークン上限の監視
マルチエージェント間で相互評価や会話ループを組む場合、条件分岐が正しく動作しないと無限ループに陥り、大量のAPIコストが発生するリスクがあります。最大ステップ数(recursion_limit等)を必ず設定してください。 -
状態管理(State)の透明性確保
エージェント間で引き渡す情報(Context/State)は必要最小限に留めてください。過去の不要なやり取りをすべて引き継ぐと、文脈長が圧迫され精度低下やコスト増につながります。
まとめ
- シングルエージェント: 単一目的のタスク、低レイテンシ・低コストが要求められる場合、PoCの初期段階に最適です。
- マルチエージェント: 役割分担が必須な複雑業務、単一プロンプトの指示限界に達した場合の拡張手段として有効です。
開発の進捗に合わせて段階的に設計を変更・拡張していくアプローチを推奨します。