LLMのAgentは、Promptの集合体に過ぎないのか？

現在の主流なエージェント（ManusやDeep Researchなど）は、ほとんどがLLM+ラッパー（プロンプト、Function Call、MCPなど）という構成です。しかし、将来は必ずしもこの形とは限りません。以下に、現在最も人気のある5つのエージェント設計パターンを紹介します。

エージェントの5つの設計パターン

1. 反射パターン（Reflection pattern）

AIが自らの出力を検証し、エラーを見つけて改善を繰り返し、最終的な応答を生成します。

2. ツール使用パターン（Tool use pattern）

LLMは以下のような方法で追加情報を収集できます：

• ベクトルデータベースのクエリ
• Pythonスクリプトの実行
• APIの呼び出しなど

これにより、LLMは内部知識だけに依存せず、より豊富な情報を活用できます。

3. ReAct（Reason and Act）パターン

ReActは上記2つのパターンを組み合わせたものです：

• エージェントは生成した出力を反省できる
• ツールを使って世界とインタラクションができる

この組み合わせにより、現在最も強力なパターンの1つとなっています。

4. 計画パターン（Planning pattern）

AIはリクエストを一度に解決するのではなく、以下の方法でロードマップを作成します：

• タスクの細分化
• 目標の概要作成

この戦略的思考により、より効果的にタスクを解決できます。

5. マルチエージェントパターン（Multi-agent pattern）

このセットアップでは：

• 複数のエージェントが存在
• 各エージェントに専門的な役割とタスクが割り当てられる
• 各エージェントがツールにアクセス可能

全てのエージェントが協力して最終結果を提供し、必要に応じて他のエージェントにタスクを委任します。

未来の展望

現在のラッパーベースのエージェントは暫定的な解決策に過ぎず、将来的な理想のエージェントは、単なるラッパーではなく、学習によって作り出されるべきものだと考えています。

強化学習の第一人者の一人であるRich Sutton氏の名著「The Bitter Lesson（苦い教訓）」は、チェス、囲碁、音声認識、コンピュータビジョンなど多くの分野の歴史的経験を振り返り、一つの不都合な真実を明らかにしています：より汎用的な方法、より計算に依存する方法が、逆に圧倒的な勝利を収めるということです。

私たちが機械に「人間のように考えさせよう」と試み続ける限り、真の進歩から遠ざかっているのかもしれません。エージェント技術の未来は、今とは全く違う形になる可能性が高いのです。

---

この記事は、AIエージェントの現状と未来について考察したものです。技術は日々進化しており、今後さらに革新的なアプローチが登場することでしょう。