こんにちは、株式会社キカガク CTO 室の高橋です。
ChatGPT の Deep Research を使ったことはありますか？今では月 200 ドルの ChatGPT Pro プランでなくても一定数使えるようになりましたが、当初は Pro プランでしか使えなかったので、Deep Research の作り方を紹介しているところが多数ありました。キカガクでも Deep Research を作り運用しているので紹介させていただきます。
実装にあたり参考にしたのは LangChain の Open Deep Research です。
AI エージェント開発に興味がある方にとって、Deep Research は最初の一歩としておすすめです。比較的シンプルな構造ながら実用的で学ぶべき要素が詰まっています。「自分も AI エージェントを作ってみたい！」という方は、ぜひこの記事を参考にしてみてください。
できあがるもの
Deep Research を使うと、以下のような調査レポートが生成されます。
Deep Research の仕組み
全体アーキテクチャ
今回の例では Claude 3.7 Sonnet をベースに、Web 検索やプランニングなどの機能を持つツールを組み合わせています。
ユーザーの質問 → パラメータ分析 → ツール実行 → 調査レポート出力
- LLM: Claude 3.7 Sonnet など
- ツール群: Web 検索、調査計画、振り返り分析などの機能
- システムプロンプト: エージェントの振る舞いを定義する詳細な指示
調査プロセス
Deep Research の調査プロセスは大きく「計画・構造化」と「調査」の 2 つのフェーズから構成されています。
1. 計画と構造化フェーズ
-
トピック分析
- ユーザーの質問を分析し、トピックの概要を把握
- 質問の複雑さに応じて、適切な調査パラメータを決定
-
調査計画の作成
-
planResearchToolを使用して調査計画を立案 - OpenAI の o3-mini モデルを利用して計画を策定
- レポートの構造（イントロダクション、各セクション、結論）を決定
-
2. 調査フェーズ
-
検索クエリの生成
- 各セクションに対して複数の検索クエリを作成
- 検索クエリには日付や「最新」などの時間的キーワードを含める
-
ウェブ検索の実行
-
webSearchTool（Tavily 検索 API）を使用して情報収集 - 各クエリに対して検索を実行し、結果を取得
-
-
情報の処理と分析
- 検索結果から重要な情報を抽出・整理
- 情報の信頼性と最新性を評価
- 情報の日付を確認し記録
-
振り返りと改善
-
reflectOnResultsToolを使用して検索結果を振り返り - 次の検索クエリを改善するための分析
- 情報のギャップや不足している視点を特定
-
-
反復的な検索
- 複数回の検索反復を通じて情報を充実
- 改善されたクエリで再検索を行う
-
最終レポートの作成
- 収集した情報を統合し、構造化されたレポートを作成
- マークダウン形式で出力
パラメータ分析
調査の質と深さを決定する重要な要素として、2 つの主要パラメータがあります。
- searchQueriesPerSection: 各セクションで実行する検索クエリの数（1〜5）
- searchIterations: 各クエリに対して実行する検索反復の回数（1〜5）
これらのパラメータは、ユーザーの質問内容に基づいて自動的に最適化されます。モデルが質問の複雑さや範囲を分析し、適切なパラメータを決定します。
// パラメータ生成の一部
const { object: parameters } = await generateObject({
model: anthropic("claude-3-5-haiku-latest"),
schema: z.object({
searchQueriesPerSection: z
.number()
.min(1)
.max(5)
.describe("各セクションで実行する検索クエリの数"),
searchIterations: z
.number()
.min(1)
.max(5)
.describe("各クエリに対して実行する検索反復の回数"),
reasoning: z.string().describe("パラメータ選択の理由"),
}),
prompt: `以下のユーザーの質問を分析し、適切な研究パラメータを決定してください：...`,
});
この分析により、簡単な質問に対しては効率的な調査が、複雑な質問に対しては詳細で広範な調査が実行されます。
実装の詳細
使用しているツール
Deep Research は、以下の 3 つの主要ツールを使用しています。
-
webSearchTool
- 機能: Web 検索を実行して情報を収集
- 実装: Tavily API を使用して検索を実行
- パラメータ: 検索クエリ、セクション（オプション）、反復回数（オプション）
export const webSearchTool = tool({
description: "ウェブ検索を実行して情報を収集する",
parameters: z.object({
query: z.string().describe("検索クエリ"),
section: z
.string()
.optional()
.describe("この検索が関連するレポートのセクション（オプション）"),
iteration: z
.number()
.optional()
.describe("現在の検索反復回数（オプション）"),
}),
execute: async ({ query, section, iteration }) => {
console.log(
"ウェブ検索実行中",
query,
section ? `セクション: ${section}` : "",
iteration ? `反復: ${iteration}` : ""
);
try {
const res = await tavily.search(query);
console.log("検索結果:", res);
// 検索結果を整形して返す
const formattedResults = {
results:
res.results.map((result) => ({
title: result.title,
url: result.url,
content: result.content,
score: result.score,
})) || [],
search_metadata: {
query: query,
section: section,
iteration: iteration,
timestamp: new Date().toISOString(),
},
};
console.log("検索結果取得完了", formattedResults.results.length, "件");
return formattedResults;
} catch (error) {
console.error("検索エラー:", error);
return {
error: "検索実行中にエラーが発生しました",
details: error instanceof Error ? error.message : String(error),
};
}
},
});
-
planResearchTool
- 機能: 調査計画を立てる
- 実装: OpenAI o3-mini モデルを使用して調査計画を生成
- 返り値: 調査目的、セクション構成、構造（イントロダクション・結論）
export const planResearchTool = tool({
description: "ユーザーの質問に基づいて包括的な調査計画を立てる",
parameters: z.object({
query: z.string().describe("ユーザーの元の質問やクエリ"),
plannerModel: z.string().describe("使用するプランナーモデル（例：o3 等）"),
}),
execute: async ({ query, plannerModel, companyName, depth, breadth }) => {
console.log(`調査計画を実行中, プランナーモデル: ${plannerModel}`);
// 企業調査かどうかに応じてプロンプトを選択
const prompt = PLANNER_PROMPT.replace("{query}", query);
const sectionsSchema = z.object({
title: z.string().describe("セクションのタイトル"),
focus: z.string().describe("このセクションの焦点"),
key_questions: z
.array(z.string())
.describe("このセクションで探求すべき主要な質問"),
});
const { object } = await generateObject({
model: openai("o3-mini"),
schema: z.object({
research_plan: z.object({
purpose: z.string().describe("調査の目的と範囲"),
sections: z.array(sectionsSchema),
structure: z.object({
introduction: z.string().describe("イントロダクションの概要"),
conclusion: z.string().describe("結論の概要"),
}),
}),
meta_analysis: z.string().describe("計画に関する分析と推奨事項"),
}),
prompt: prompt,
providerOptions: {
openai: {
reasoningEffort: "low",
},
},
});
console.log("調査計画の結果:", object.meta_analysis);
const result = {
research_plan: object.research_plan,
meta_analysis: object.meta_analysis,
};
return {
...result,
planner_model: plannerModel,
};
},
});
-
reflectOnResultsTool
- 機能: 検索結果を分析し、次の検索を改善するための洞察を提供
- 実装: OpenAI モデルを使用して検索結果の分析
- パラメータ: 検索クエリ、検索結果、反復回数、総反復回数
export const reflectOnResultsTool = tool({
description:
"検索結果を分析し、次の検索をより効果的にするための洞察を提供する",
parameters: z.object({
query: z.string().describe("検索に使用した元のクエリ"),
results: z.string().describe("検索から得られた結果"),
iteration: z.number().describe("現在の検索反復回数"),
totalIterations: z.number().describe("計画された総検索反復回数"),
}),
execute: async ({ query, results, iteration, totalIterations }) => {
console.log(
`検索結果の振り返りを実行中, 反復: ${iteration}/${totalIterations}`
);
const prompt = REFLECTION_PROMPT.replace("{query}", query).replace(
"{results}",
results
);
const keyInsightsSchema = z.object({
insight: z.string().describe("検索結果から得られた重要な洞察"),
confidence: z
.number()
.min(1)
.max(10)
.describe("この洞察の信頼度（1-10）"),
source_indication: z.string().describe("この洞察の出所に関する手がかり"),
});
const improvedQueriesSchema = z.object({
query: z.string().describe("改善された検索クエリ"),
rationale: z.string().describe("このクエリを提案する理由"),
});
const { object } = await generateObject({
model: openai("gpt-4o"),
schema: z.object({
key_insights: z.array(keyInsightsSchema),
information_gaps: z
.array(z.string())
.describe("特定された情報のギャップや不足している視点"),
contradictions: z
.array(z.string())
.describe("検索結果内の矛盾する情報や検証が必要な主張"),
improved_queries: z.array(improvedQueriesSchema),
summary: z
.string()
.describe("振り返りの要約と次のステップへの推奨事項"),
}),
prompt: prompt,
});
console.log("振り返りの結果:", object.summary);
const result = {
key_insights: object.key_insights,
information_gaps: object.information_gaps,
contradictions: object.contradictions,
improved_queries: object.improved_queries,
summary: object.summary,
current_iteration: iteration,
total_iterations: totalIterations,
};
return result;
},
});
コアロジック
Deep Research のコア実装は、以下のようになっています。
// ユーザーの質問から研究パラメータを生成
const { searchQueriesPerSection, searchIterations } =
await generateResearchParameters(
messages[messages.length - 1].content as string
);
// 最大ステップ数を計算
const estimatedSections = 5;
const maxSteps =
10 + estimatedSections * searchQueriesPerSection * searchIterations * 2;
// パラメータをシステムプロンプトに反映
const generatedSystemPrompt = DEEP_RESEARCH_SYSTEM_PROMPT.replace(
"[PLANNER_MODEL]",
"o3"
)
.replace("[SEARCH_QUERIES_PER_SECTION]", String(searchQueriesPerSection))
.replace("[SEARCH_API]", "Tavily")
.replace("[SEARCH_ITERATIONS]", String(searchIterations));
// LLMとツールを使用してストリーミング応答を生成
const result = streamText({
model: anthropic(modelName),
system: generatedSystemPrompt,
messages: messages,
maxSteps: maxSteps,
tools: {
webSearch: webSearchTool,
planResearch: planResearchTool,
reflectOnResults: reflectOnResultsTool,
},
});
システムプロンプト
export const DEEP_RESEARCH_SYSTEM_PROMPT = `あなたは高度な調査エージェントです。ユーザーの質問に対して深く、包括的な調査を行います。
## 調査プロセス
あなたは以下の2つの主要フェーズに従って調査を行います：
### 1. 計画と構造化（Planning / Structure）
1. まず、getCurrentDateツールを使用して現在の日付を取得します。
- 取得した日付を使用して、情報の鮮度を評価します
- レポートに日付を明記し、いつの時点の情報かを明確にします
2. ユーザーの質問を分析し、トピックの概要を把握します。
3. 指定されたプランナーモデル（[PLANNER_MODEL]）を使用して調査計画を立てます。
4. 以下の構造に基づいて調査レポートの概要を作成します：
- イントロダクション（調査の目的、背景、調査日を含む）
- セクション1
- セクション2
- ...
- 結論
5. 計画を確認し、必要に応じて調整します。
### 2. 調査（Research）
1. 各セクションについて、[SEARCH_QUERIES_PER_SECTION]個の検索クエリを作成します。
- 検索クエリに日付や「最新」「recent」などの時間的キーワードを含めて、最新の情報を優先的に取得します
2. 各クエリに対して[SEARCH_API]を使用して情報を収集します。
- webSearchツールを使用してウェブ検索を実行します
- 検索結果の日付を確認し、古い情報は注意して扱います
3. 検索結果を処理し、以下を行います：
- 重要な情報を抽出し、整理します
- 情報の信頼性と最新性を評価します
- 情報の日付を確認し、いつの情報かを明記します
4. 各検索結果について振り返り（Reflection）を行い、次の検索クエリを改善します。
5. 合計[SEARCH_ITERATIONS]回の検索反復を行います。
6. 収集した情報を統合し、構造化されたレポートをセクションごとに作成します。
## レポート作成のガイドライン
1. 計画した構造に従って情報を整理します。
2. 見出し (H1, H2, H3) の前後には改行を入れ、マークダウン形式で正しく表示します。
3. 重要な事実や主張を述べる際は、必ず対応する情報源のURLをマークダウンリンクとして文中に埋め込みます。
- 例: 「[研究によると](https://example.com)、この方法は効果的です」
4. 同じ情報源から複数の事実を引用する場合でも、それぞれの事実に対して適切にリンクを付けます。
5. リンクのテキストは文脈に自然に溶け込むようにし、URLそのものは表示しないようにします。
6. 主要な発見事項、結論、および参考文献を含めます。
7. 情報の日付を明記し、特に最新の情報（過去3ヶ月以内）は強調します。
8. レポートの冒頭に調査日（getCurrentDateで取得した日付）を明記します。
## セクション出力形式
各セクションは以下の形式で出力してください：
# [セクションタイトル]
[セクションの内容：事実、分析、洞察など。情報源へのリンクを含める。情報の日付を明記する]
## 主要な発見
- [発見1]
- [発見2]
- [発見3]
## 情報源
- [情報源1へのリンク] (日付: YYYY-MM-DD)
- [情報源2へのリンク] (日付: YYYY-MM-DD)
- [情報源3へのリンク] (日付: YYYY-MM-DD)
## ツールの使用方法
- getCurrentDate: 現在の日付を取得します
- webSearch: ウェブ検索を実行して情報を収集します
- planResearch: 調査計画を立てます
- reflectOnResults: 検索結果を振り返り、次のクエリを改善します
常に批判的思考を用い、情報の信頼性を評価してください。複数の情報源を比較し、バランスの取れた見解を提供してください。`;
// プランナーツール用のプロンプト
export const PLANNER_PROMPT = `あなたは調査計画の専門家です。ユーザーの質問に基づいて、包括的な調査計画を立ててください。
以下の質問について調査計画を立ててください：
"{query}"
計画には以下を含めてください：
1. 調査の目的と範囲
2. 主要なセクション（3〜5個）とそれぞれの焦点
3. 各セクションで探求すべき主要な質問や側面
4. 調査全体の構造（イントロダクション、本文セクション、結論）
計画は論理的で体系的であり、質問のすべての重要な側面をカバーするようにしてください。`;
// 振り返りツール用のプロンプト
export const REFLECTION_PROMPT = `あなたは検索結果の分析と振り返りの専門家です。以下の検索結果を分析し、次の検索をより効果的にするための洞察を提供してください。
元の検索クエリ：
"{query}"
検索結果：
"{results}"
以下について分析してください：
1. 得られた主要な情報と洞察
2. 情報のギャップや不足している視点
3. 矛盾する情報や検証が必要な主張
4. 次の検索でより良い結果を得るための改善されたクエリ案
あなたの分析は、調査プロセスを改善し、より包括的で正確な情報を収集するのに役立ちます。`;
開発のステップアップガイド
初めてのエージェント開発として Deep Research を実装する場合、以下のようなステップがおすすめです。
- ミニマム実装から始める：最初は Web 検索とレポート生成だけのシンプルバージョンから
- 徐々に機能を追加する：reflectOnResults や planResearch などのツールを段階的に追加
- パラメータ最適化を試みる：検索クエリ数や反復回数の自動調整機能を追加
- UI を整備する：ユーザーが使いやすいインターフェースを設計
すでにプログラミングの経験がある方なら、週末ハッカソン 1 回分程度の時間で基本的な実装ができるでしょう。ぜひチャレンジしてみてください！
まとめ
AI エージェント開発に興味がある方にとって、Deep Research はおすすめの機能実装です。ぜひこの記事を参考に、あなた自身の Deep Research エージェントを作ってみてください！
キカガク CTO 室とは？
株式会社キカガクの CTO 室は、生成 AI の活用と業務効率化の推進を担う中核部門です。
社内外の課題解決に向けた技術戦略を実行するため、以下の 2 つのチームで構成されています。
AI/LLM チーム
高度な自然言語処理や生成 AI 技術を駆使し、実用的なソリューションの開発・運用を担当しています。
Corporate IT チーム
社内 IT インフラの整備と、業務システムの統合・最適化を推進し、全社的なデジタルトランスフォーメーションを実現します。
エンジニア募集中！
株式会社キカガクは、教育を軸に人材領域で企業の DX を支援することで、未来の可能性を切り拓いています。
最先端の技術を駆使しながら、社会にインパクトを与えるプロジェクトに挑戦できる情熱あるエンジニアを募集しています！
求める人物像
-
技術に情熱がある方
最新の AI/LLM 技術、クラウド技術、Web 開発などに興味を持ち、常に学び続ける姿勢のある方 -
チャレンジ精神旺盛な方
新しいアイデアや技術に積極的に取り組み、実装から改善まで自ら動ける方 -
チームプレイヤー
多様なメンバーと協力し、課題解決に努められる方
ここが魅力！
-
最新技術に触れられる環境
生成 AI、自然言語処理、クラウドプラットフォームなど、業界最先端の技術に日常的に関われます。 -
自律性と成長を促す文化
自らのアイデアを形にできる自由な環境で、キャリアアップを支援します。 -
社会にインパクトを与えるプロジェクト
教育と人材の領域で企業の DX を推進するプロジェクトに参加し、社会に貢献できます。
応募方法
ご興味のある方は、ぜひ 採用情報ページ をご覧ください。
話を聞いてみたいという方も、カジュアル面談の応募をお待ちしております！
Discussion