※この記事は AI（Microsoft Copilot）によって生成され、筆者が内容を確認・調整しています。
※この記事は前回の記事
https://qiita.com/genkyoryo110/items/7738fb77fd75cb367b62
の続編です。
はじめに
本記事では、LangGraph・LangChain・複数LLMエージェントを組み合わせて構築した
「AIタウン」Version10/11 のアーキテクチャを紹介します。
AIタウンは、ユーザー入力を解析し、タスクを分解し、複数の専門エージェントを連携させて処理する
自律型マルチエージェント制御基盤です。
Version10 では「Harness思想」による レシピ駆動パイプラインを導入し、
Version11 では「Jev思想」による System One / System Two の深度別LLM階層を統合しました。
この2つの思想を組み合わせることで、
単なるチャットボットではなく、
複合タスクを自律的に処理する AI 制御システムへと進化しています。
1. AIタウンの全体像
AIタウンは以下のコンポーネントで構成されています。
judge → task_planner → agent_selector → worker_call → memory_update
それぞれが役割を持ち、状態（state）を更新しながら処理を進めます。
主な役割
| ノード | 役割 |
|---|---|
| judge | intent / complexity / safety を判定 |
| task_planner | 複合タスクを抽出 |
| agent_selector | 実行すべきエージェントを選択 |
| worker_call | recipes に基づきパイプラインを構築 |
| memory_update | 必要な情報を記憶に保存 |
LangGraph の StateGraph によって、
これらのノードが 状態遷移として連携します。
2. Version10：Harness思想 ― レシピ駆動パイプライン
Version10 の中心思想は 「処理制御をコードではなくレシピで行う」 ことです。
2.1 recipes の三軸ルーティング
recipes.py には intent / task_type / complexity の3軸でパイプラインが定義されています。
intent 系
- search_pipeline
- image_pipeline
- code_pipeline
- danger_pipeline
- chat_pipeline
task_type 系
- notify_pipeline
- save_pipeline
- summarize_pipeline
- rewrite_pipeline
- translate_pipeline
- plan_pipeline
complexity 系
- simple_llm
- medium_llm
- complex_llm
- reasoning_llm
これらを組み合わせることで、
search → summarize → notify → fast_llm_agent
のような複合処理が自動で構築されます。
2.2 worker_call によるパイプライン構築
worker_call は recipes を合成し、最終的な実行パイプラインを作ります。
例：
['twitter_trend_agent', 'summarize_agent', 'discord_notify_agent', 'fast_llm_agent']
このパイプラインを Harness が逐次実行します。
2.3 Harness.run_pipeline の役割
Harness は registry から tool を取得し、
パイプラインを順番に実行します。
result = input
for agent in pipeline:
result = agent(result)
return result
この構造により、複数エージェントの連携が簡潔に実現できます。
3. Version11：Jev思想 ― System One / System Two の深度別LLM階層
Version11 では、AIタウンに「思考の深さ」を導入しました。
3.1 System One / System Two
| 深度 | エージェント | 役割 |
|---|---|---|
| System One | fast_llm_agent | 軽量・高速・短文整形 |
| System Two | deep_llm_agent | 高度推論・分析 |
さらに中間層として normal / structured を追加し、
4階層のLLM Workerを構築しました。
3.2 judge_node による complexity 判定
judge は complexity を返します。
- simple → fast_llm_agent
- medium → normal_llm_agent
- complex → structured_llm_agent
- reasoning → deep_llm_agent
これにより、
入力の難易度に応じて適切なLLMを自動選択できます。
3.3 task_planner による複合タスク抽出
例：
「AI画像生成トレンドを調べてDiscordに送って」
→ ["search", "summarize", "notify"]
「英語に翻訳して要約して」
→ ["translate", "summarize"]
3.4 agent_selector による多段エージェント選択
task_type と intent を基に、
複数の専門エージェントを選びます。
4. Jev → Harness：AIタウンの二段構造（思考と実行）
AIタウン Version10/11 の最大の特徴は、
「思考層（Jev） → 実行層（Harness）」という二段構造で動作することです。
この構造によって、AIタウンは単なるチャットAIではなく、
ユーザの意図を理解し、必要な深さで考え、複数エージェントを連携させて実行する自律型AIになります。
4.1 Jev（思考層）＝ユーザの思考を判別する
Jevが行うこと
- intent（何をしたい？）
- complexity（どれくらい深く考える？）
- safety（危険か？）
- task_type（複合タスクに分解すると？）
- assigned_agents（どのエージェントが必要？）
Jevの本質
ユーザの要求を理解し、必要なタスクと推論深度を決める。
4.2 Harness（実行層）＝判別結果をもとに実行計画を立てる
Harnessが行うこと
- recipes に基づいてパイプラインを構築
- intent / task_type / complexity を合成
- registry からエージェントをロード
- エージェントを順番に実行
- 最終結果を返す
Harnessの本質
処理はレシピで決める。コードの if 文では決めない。
4.3 Jev → Harness の流れ（AIタウンの本質）
① Jev が「考える」
- 何をしたいか（intent）
- どれくらい深く考えるか（complexity）
- 危険かどうか（safety）
- タスクをどう分解するか（task_type）
- どのエージェントが必要か（assigned_agents）
② Harness が「実行する」
- recipes を合成してパイプラインを構築
- registry から tool をロード
- エージェントを順番に実行
- 結果を返す
4.4 実例：search → summarize → notify → fast_llm
入力
「AI画像生成トレンドを調べてDiscordに送って」
Jev（思考）
- intent = search
- complexity = simple
- task_type = ["search", "summarize", "notify"]
- assigned_agents = ["twitter_trend_agent", "discord_notify_agent"]
Harness（実行）
recipes を合成して：
['twitter_trend_agent', 'summarize_agent', 'discord_notify_agent', 'fast_llm_agent']
これを順番に実行。
5. LLMエージェント階層（fast / normal / structured / deep）
fast_llm_agent
軽量・高速・短文整形（System One）
normal_llm_agent
汎用チャット
structured_llm_agent
箇条書き・手順・構造化出力
deep_llm_agent
高度推論（System Two）
recipes と complexity によって自動選択されます。
6. Version10/11 の強み
✔ レシピ駆動で拡張性が高い
✔ 深度別LLMでコストと性能の最適化
✔ 複合タスクを自律的に処理
✔ 安全性（danger_pipeline）を確保
✔ LangGraph による状態遷移が明確
✔ registry による動的エージェントロード
7. Version12 以降の展望
- 自動スケジューラ
- エージェント間通信の強化
- 記憶の知能化
- 実行コストの可視化
- 自律的なタスク再分割
AIタウンは「ただのチャット」から
自律的なAI制御基盤へ進化し続けます。
まとめ
Version10 の Harness思想と
Version11 の Jev思想を統合することで、
AIタウンは 複合タスクを自律的に処理するマルチエージェント基盤になりました。
- Jev = 思考のルーティング
- Harness = 実行のルーティング
- 深度別LLM = コストと推論の最適化
- LangGraph = 状態遷移の骨格
- registry = 動的ロード
この構造によって、AIタウンは
「ユーザー入力 → 判断 → 計画 → 選択 → 実行 → 記憶」
という一連の流れを AI が自律的に制御します。