最近のAIはついていくのが大変💦 プロンプトエンジニアリングからグラフエンジニアリングまで
1. イントロダクション：「確率で言葉を紡ぐAI」と「自律するAI」
AIの進化は凄まじく、少し前まで「いかに魔法のプロンプト（指示文）を書くか」に終始していた議論は、現在まったく別のフェーズへと移行しています。
その最前線のトレンドを理解するために、まずは「現在のAIの根本的な仕組み」を確認しておきましょう。
ChatGPTなどのAIは、実は「意味を理解して考えている」わけではありません。基本的には、スマートフォンの「予測変換」がとてつもなく高度になったものだとイメージしてください。入力された文章の続きとして、「過去の膨大なデータから、次にくる確率が最も高い単語を予測して出力し続ける」という仕組みで動いています。
そのため、「複雑な計算や論理パズルを一発で解いて」とお願いすると、途中で確率の予測にズレが生じ、論理が破綻したり、もっともらしいウソをついたりしてしまいます。
これまでは、最新の巨大なAIに対して一発で完璧な答えを出させるアプローチが主流でした。しかし現在の最前線では、「Agentic Workflow（自律的ワークフロー）」という考え方にパラダイムシフトが起きています。
これは、「AIに一発勝負をさせるのではなく、AIにツールを与え、計画を立てさせ、反省と修正を繰り返させた方が、結果的に圧倒的に高いパフォーマンスを叩き出す」というアプローチです。
本記事では、AIを単なる「確率で単語を返すチャットボット」から、「自律的に考え、行動し、修正するシステム」へと進化させるために不可欠な5つのエンジニアリングについて、基礎となる仕組みから丁寧に解説します。
2. ① Prompt Engineering：推論プロセスの可視化とデザイン
事前知識と技術のメカニズム
プロンプトエンジニアリングは、単なる「お願いの工夫」ではありません。
人間が複雑な3桁の掛け算をする時、頭の中（暗算）だけでやろうとするとミスをしますが、紙に途中式を書き出しながら（筆算）だと正確に解けます。AIにとっても、画面にテキストを出力すること自体が、人間にとっての「メモ書き（作業記憶）」に相当します。
そのため、複雑なタスクを一発で答えさせるのではなく、「ステップ・バイ・ステップで考えて」と指示を出し、途中経過を強制的に画面に書き出させます。これを「Chain-of-Thought（思考の連鎖）」と呼びます。AIに「考えるプロセス」をテキストとして消費させる（筆算させる）ことで、最終的な結論の精度を劇的に向上させる技術です。
トレンドと具体的なユースケース
プロンプトエンジニアリングは、Agentic Workflowにおける「Planning（計画立案）」を担うための厳密なコードとして機能しています。
たとえば論理パズルを解かせる場合、以下のようにAIの「推論のステップ」を強制するプロンプトを記述します。
あなたは論理パズルの専門家です。以下の問題に対し、直感で答えるのではなく、必ず以下のステップに従って思考プロセスを出力してから、最終的な結論を出してください。
【ステップ】
1. 前提条件を箇条書きで漏れなく抽出する
2. 抽出した条件同士の矛盾点や制約を分析する
3. ステップ2の分析に基づき、論理的な結論を導き出す
【問題】: ...
AIの計算回路（推論の道筋）をテキストによってデザインする。これがプロンプトエンジニアリングの基本です。
3. ② Context Engineering：「意味の地図」と「人物相関図」による知識の注入
事前知識と技術のメカニズム
AIモデルは、自社の最新データを知りません。そこで、質問に関連する社内資料を瞬時に探し出し、プロンプトの一部として埋め込む技術が「RAG（検索拡張生成）」です。
RAGを理解するための前提知識が「ベクトル」です。難しく聞こえますが、要するに文章を「意味の地図（座標）」の上に配置する技術です。ユーザーの質問をこの地図上に置き、近い場所にある資料（意味が似ている資料）を引っ張ってくるのが従来のRAGの仕組みでした。
しかし、この方法では「リンゴ」と「ミカン」のように意味が近い単語（点）は拾えますが、「このプロジェクトの責任者は誰で、その人は他に何の仕事をしている？」といった複雑な質問には答えられません。
トレンドと具体的なユースケース
この限界を突破するために、2つの進化が起きています。
1つ目は「Agentic RAG」です。AI自身が「今の知識では答えられない」と判断し、自ら検索キーワードを考え、検索ツールを使って能動的に情報を探しに行く仕組みです。
2つ目は「GraphRAG」です。情報を点として扱うだけでなく、ドラマの「人物相関図」のように、情報同士を「A社とB社は協業している」といった関係性の線で結んだデータベース（ナレッジグラフ）を構築します。これにより、AIは点と点のつながりを理解し、高度な分析が可能になります。
社内のチャットボットシステムでは、裏側でAIが検索ツールを叩き、以下のように取得した規定をシステムプロンプトに動的に埋め込んでいます。
あなたは親切な社内アシスタントです。
以下の【社内規定】のみを情報源として、ユーザーの質問に回答してください。
【社内規定】
第15条（有給休暇の申請）: 取得の1週間前までに、人事システム「WorkFlow-X」にて上長の承認を得ること。
【ユーザーの質問】
有給休暇の取得フローは？
4. ③ Harness Engineering：AIの暴走を防ぐ「物理的な遮断機」
事前知識と技術のメカニズム
企業の本番環境でAIを稼働させる際、プロンプトで「ウソをつかないで」と指示しても防ぐことは困難です。なぜなら、前述の通りAIは「確率で単語を選ぶ」性質を持っているからです。交通ルールを教えても、事故が起きる確率をゼロにはできないのと同じです。
一方、従来のシステム開発は「1+1を入力すれば必ず2が返ってくる」、つまり「決定論的（必ず同じ結果になる）」なものでした。AIの「確率的」な振る舞いをそのままユーザーに見せるのは非常に危険です。
そこで、AIの推論回路の外側に、従来の「絶対にルールを守るプログラム」を挟み込みます。プロンプトでお願いするのではなく、ボウリングのガーター防止柵や踏切の遮断機のように、物理的な防衛線をシステムに設置する仕組みを「Harness（ハーネス＝安全帯）」と呼びます。
トレンドと具体的なユースケース
NVIDIAの「NeMo Guardrails」といった、システムレイヤーに防衛線（Guardrails）を敷く技術が必須となっています。
以下は、競合他社についての質問をシステムレベルで遮断するガードレール設定（ルール言語）の例です。
# 【ガードレールの設定例】
# 1. ユーザーの「競合他社についての質問」という意図を定義
define user ask about competitors
"ライバル会社の製品はどう？"
"〇〇社のサービスと比べてどう？"
# 2. ボットの「定型文による安全な拒否」を定義
define bot refuse to answer competitors
"申し訳ありませんが、他社製品についての比較・評価はお答えできません。"
# 3. 強制的なフロー（ハーネス）の定義
define flow competitor questions
user ask about competitors
bot refuse to answer competitors # AIに推論させず、強制的にこの定型文を返す
このように、不適切な話題をインターセプト（遮断）し、システムとして安全性を担保するのがハーネスエンジニアリングです。
5. ④ Loop Engineering：「マジックハンド」と「自己修復」
事前知識と技術のメカニズム
AIに自律的な作業をさせるには、テキストを返すだけでなく、AI自身が外部の世界に干渉できなければなりません。そのための「マジックハンド（道具）」が「API」です。AIに「Web検索をするAPI」や「計算機を使うAPI」を持たせることで、AIは「行動」を起こせるようになります。
AIに「思考（Reason） → 行動（Act） → 観察（Observe）」というループを回させる手法が「ReAct（Reasoning and Acting）」です。
トレンドと具体的なユースケース
Agentic Workflowで最も重要視されるパターンの1つが「Reflection（自己反省）」です。
AIにプログラムを書かせて実行し、もしエラーが出た場合、そこで止まるのではなく、エラー画面（観察結果）をAI自身に読ませます。するとAIは「自分のコードのここが間違っていた」と反省し、自ら書き直して再度実行します。この「Self-Healing（自己修復）」のループを回すことで、AIの問題解決能力は飛躍的に向上します。
たとえば「現在のAppleの株価とニュースを要約して」という指示に対し、AIは以下のようにループを回します。
- Thought（思考）: まず株価を知る必要がある。株価API（ツール）を使おう。
- Action（行動）: 株価取得ツールを実行。
- Observation（観察）: エラーが発生。「会社の記号が無効です」
- Reflection（反省）: ツールへの渡し方が間違っていた。修正してもう一度実行しよう。
6. ⑤ Graph Engineering：「信号機」によるマルチエージェントの統制
事前知識と技術のメカニズム
AIがツールを使いこなせるようになると、今度は「リサーチ専門のAI」や「執筆専門のAI」など、複数の異なるAIを連携させて巨大な仕事をさせよう、という発想が生まれます（Multi-agent Collaboration）。
しかし、複数のAIをルールなしに自由に会話させると、「お互いに挨拶を繰り返す」「意見が対立して無限に言い争う」といったシステム破綻が起きます。
これを防ぐために導入されるのが、「ステートマシン（状態遷移）」という概念です。難しく聞こえますが、要するに「交差点の信号機」のことです。「リサーチAIの作業が終わるまで、執筆AIは赤信号（待機）」といったように、厳密なフローチャートを作ってAI同士の交通整理を行う仕組みです。
トレンドと具体的なユースケース
LangGraphやAutoGen、CrewAIといったフレームワークを用い、このステートマシン（信号機）によってAI同士の連携を統制するグラフエンジニアリングが主流となっています。
たとえば自動ブログ執筆システムでは、監督役（Supervisor）のノードが全体を統制します。
執筆AIが書いた記事を校正AIがチェックし、もし「情報が不十分」と判定されれば、監督役は処理をリサーチAIに差し戻す、といった条件分岐とループをグラフ（フローチャート）上で厳密に定義します。これにより、マルチエージェントシステムが暴走することなく、堅牢に業務を完遂することが可能になります。
7. まとめ：Agentic Workflowを構成する5つのアプローチ
これらのアプローチは独立しているわけではなく、最新のAIシステムにおいて「マトリョーシカ」のように組み合わされて機能します。
Promptによる推論（Planning）を核とし、Contextで外部知識（Tool Use）を補い、Harnessで安全性を確保し、Loopで反省と修復（Reflection）を行い、最後にGraphで複数のエージェントを協調（Multi-agent Collaboration）させる。これが、AIシステム構築におけるアーキテクチャです。
参考リンク (本記事の背景知識)
- The Dawn of Agentic Workflow (Andrew Ng氏の提唱): DeepLearning.AI The Batch
- Lost in the Middle: How Language Models Use Long Contexts: https://arxiv.org/abs/2307.03172
- ReAct: Synergizing Reasoning and Acting in Language Models: https://arxiv.org/abs/2210.03629
- LangGraph 公式ドキュメント: https://langchain-ai.github.io/langgraph/