🦁
【Agent Framework（Python）】クルマ提案エージェント ～Functions MCPも～
はじめに
2025年10月に、MicrosoftからAgent Frameworkがリリースされました。従来、Microsoft関連のAIオーケストレーター層としてSemanticKernelとAutoGenがありました。これらを統合したFrameworkです。
概要について、詳しくはMicrosoftのdaka-sanのブログ記事をご覧ください。
このブログでは、Azure Functions で MCPサーバを構築し、それらのツールを接続した、マルチエージェントな仕組みを、Microsoft Agent Frameworkで実装してみたので、その内容を紹介します。
動かしたもの
自動車購入を検討しているユーザーに対して、車種提案 → 見積作成 → 与信審査 → 予約管理まで対話形式で自動対応するマルチエージェントなシステムです。
各エージェントは、既存システムのAPIをMCPサーバ化したツールを呼び出して協調動作します。
※APIは仮実装であり、車両データや月額料金なども架空の設定です。
🎬 実行例
このような流れで動作します。
- ユーザーが車の要件を入力します。
- OrchestratorAgentが要件を解析し、各エージェントに処理を依頼します。
- まず最初にProposalAgentが提案を作成します。
- 提案のために必要な車種リストをMCPツールから取得
- 車種リストとユーザ要件をもとに、推薦車種を絞り込み
- ユーザに提案内容を返却
- 次に、QuotationAgentが見積を作成します。
- 推薦車種の納期をMCPツールから取得
- 推薦車種の月額料金をMCPツールから取得
- 最後に、FinanceAdvisorAgentが与信審査を行います。
- ユーザーの年収・借入額をユーザにヒアリング
- 与信スコアをMCPツールから取得
- 契約可否をユーザに返却
PS> python .\orchestrator_chat_repl.py --query "ワンボックスほど大きくない、スライドドアの車がいいなー" --budget-max=6000000 --verbose
00:18:37 - mcp.client.streamable_http - DEBUG - SSE message: root=JSONRPCResponse(jsonrpc='2.0', id=3, result={'content': [Json形式の車種情報]})
00:32:13 - agent_framework - DEBUG - Function result: {'recommendations': [{'model_id': 'VOXY', 'grade_id': 'VOXY-Z', 'engine_id': 'VOXY-Z-HV', 'vehicle_price': 3740000, 'reasons': ['スライドドア付きの車両です', '乗車人数4人に適しています', '予算内で収まり燃料効率が良好です'], 'est_lead_weeks': None}, {'model_id': 'SIENTA', 'grade_id': 'SIENTA-Z', 'engine_id': 'SIENTA-Z-HV', 'vehicle_price': 3108000, 'reasons': ['スライドドア付きのコンパクトミニバンです', 'ハイブリッド仕様で燃費が優れています', '予算内に収まり乗車人数に適しています'], 'est_lead_weeks': None}], 'normalized_requirements': {'budget_max': 6000000, 'passenger_count': 4, 'priority': 'balance', 'fuel_pref': 'hybrid'}, 'next_action_hint': None, 'metadata': {}}
00:32:29 - agent_framework - DEBUG - Function result: {'engine_id': 'VOXY-Z-HV', 'vehicle_price': 3740000.0, 'subscription_term_months': 36, 'monthly_fee': 64534.0, 'breakdown': {'base_fee': 63580.0, 'maintenance_fee': 0.0, 'taxes_and_fees': 954.0, 'discount_amount': 0.0}, 'total_cost': 2323224.0, 'rationale': [], 'metadata': {}}
00:32:32 - agent_framework - DEBUG - Function result: {'engine_id': 'SIENTA-Z-HV', 'vehicle_price': 3108000.0, 'subscription_term_months': 36, 'monthly_fee': 53629.0, 'breakdown': {'base_fee': 52836.0, 'maintenance_fee': 0.0, 'taxes_and_fees': 793.0, 'discount_amount': 0.0}, 'total_cost': 1930644.0, 'rationale': [], 'metadata': {}}
=== 初回応答 ===
トヨタの以下の2車種をおすすめします。
1. VOXY-Z (ハイブリッド)
- 月額料金: 64,534円
- 契約期間: 36ヶ月
2. SIENTA-Z (ハイブリッド)
- 月額料金: 53,629円
- 契約期間: 36ヶ月
どちらもスライドドア付きで、予算内に収まります。さらに詳しくご検討されたい場合はお知らせください。
あなた> SIENTAがいいです！！
--- 応答 ---
素晴らしい選択です！トヨタのSIENTAは利便性が高く、燃費も良いお車です。
次は、必要に応じて与信審査を行います。以下の情報が必要ですので教えていただけますか：
- 年収
- 希望借入額
また、可能であれば以下の情報もご提供ください：
- 年齢
- 雇用形態
- 他の借入の有無と金額
- 扶養家族の数
あなた> 30歳会社員、ほかの借り入れはありません。扶養家族は二人です。
--- 応答 ---
ありがとうございます。それでは、年収と希望借入額を教えていただけますか？
あなた> 年収は700万です。借入額は全額で。
00:43:14 - agent_framework - DEBUG - Function result: {'score': 66, 'rating': 'AA', 'approved': True, 'annual_income': 7000000, 'requested_amount': 1000000, 'decision': None, 'factors': None, 'manual_review_reason': None, 'metadata': {'version': '1.0', 'source_tools': ['FinancePrecheck'], 'generated_at': '2023-11-03T13:30:46'}}
--- 応答 ---
新しい借入額での与信審査は無事に承認されました！トヨタのSIENTA、借入額100万円でのお手続きが可能です。
ちなみに、CLIで対話できるような実装は、AgentFrameworkに含まれてはいない認識です。対話CLIは独自実装です。
今回の実装はこちらのリポジトリです。
システム概要
4つの専門エージェント が 5つのMCPツール を呼び出してエージェンティックな動作をするようにしています。
さらに、4つの専門エージェントをツールとして呼び出す OrchestratorAgent（販売店エージェント的な存在）を用意し、ユーザはこのエージェントとだけ対話します。
📦 技術スタック
| レイヤー | 技術 | 役割 |
|---|---|---|
| Agent層 | Microsoft Agent Framework (Python) | マルチエージェント制御・会話管理 |
| LLM | Azure OpenAI (GPT-4o) | 自然言語理解と応答生成 |
| MCP Server | Azure Functions (Python v2) | ツール実装とMCPプロトコル対応 |
| Protocol | Model Context Protocol | エージェント⇔ツール間の標準通信 |
| Interface | CLI/REPL | 対話実行環境 |
Microsoft Agent Framework の主要なコンポーネント
私はPythonを使っているので、PythonのAgentFrameworkのクラス名で解説します。
ChatAgent（エージェント）
ChatAgentは、LLMとツールを統合したエージェントの基本単位です。
ChatAgent が持つ機能はこれらです。
- Function Calling: ツール関数を自動呼び出し
- Multi-turn Conversation: Thread による会話履歴管理
- Streaming Response: リアルタイム応答生成
- Structured Output: Pydantic モデルで型安全な出力
from agent_framework import ChatAgent
from agent_framework.azure import AzureAIAgentClient
from azure.identity.aio import DefaultAzureCredential
# AI Client → Agent の流れ
async with DefaultAzureCredential() as credential:
agent = AzureAIAgentClient(async_credential=credential).create_agent(
name="HelperAgent",
instructions="あなたは親切なアシスタントです。",
tools=[get_weather] # ツール関数を渡す
)
response = await agent.run("東京の天気はどうですか？")
print(response.text)
Tools（外部機能）
エージェントが呼び出せる関数を Tools として登録します。
ツールの種類はこれらがあります。今回の例ではMCP Toolsを使っています。
| ツールタイプ | 説明 | 用途 |
|---|---|---|
| Custom Functions | Python 関数 | 独自ロジックの実装 |
| HostedCodeInterpreterTool | コード実行環境 | データ分析・計算処理 |
| HostedFileSearchTool | ファイル検索 | RAG（検索拡張生成） |
| MCP Tools | Model Context Protocol | 外部サービス統合 |
天気取得ツールを例としてツール定義の実装例は以下です。
from typing import Annotated
from pydantic import Field
def get_weather(
location: Annotated[str, Field(description="天気を取得する場所")],
) -> str:
"""天気を取得する場所の天気を返します。"""
# Your weather API implementation here
return f"{location}の天気は晴れで、気温は25°Cです。"
# エージェントに登録
agent = ChatAgent(
chat_client=OpenAIChatClient(),
instructions="あなたは親切な天気アシスタントです。",
tools=get_weather, # ツールとして追加
)
result = await agent.run("東京の天気はどうですか？")
print(result.text)
Middleware（エージェント実行の制御）
Middleware は、エージェント実行の各段階でフック処理を挟める仕組みです。
例えば、以下のような処理を挟み込めます。
- リクエスト前: ロギング、PIIマスキング、ツールホワイトリスト
- レスポンス後: 不適切な応答のフィルタリング
Middleware の実装例
from agent_framework import AgentRunContext
from typing import Callable, Awaitable
async def logging_agent_middleware(
context: AgentRunContext,
next: Callable[[AgentRunContext], Awaitable[None]],
) -> None:
"""エージェント実行をログ出力するミドルウェアの例"""
print("Agent starting...")
# Continue to agent execution
await next(context)
print("Agent finished!")
# Middleware を追加
async with AzureAIAgentClient(async_credential=credential).create_agent(
name="GreetingAgent",
instructions="あなたは親切なアシスタントです。",
middleware=logging_agent_middleware, # ここで追加
) as agent:
result = await agent.run("Hello!")
print(result.text)
Workflow（マルチエージェントオーケストレーション）
Workflow は、複数のエージェントや関数をグラフ構造で連携させる仕組みです。
ワークフローで定義できるので、複雑な分岐やループも表現可能です。実業務で決まった工程がある場合に有用だと思います。
実例だと TOYOTA O-beya の思想ですね。
Workflow の種類にはこれらがあります。
| パターン | 説明 | 図 |
|---|---|---|
| Sequential | 順次実行 | A → B → C |
| Concurrent | 並列実行 | A, B, C → 集約 |
| Handoff | 条件分岐 | A → 判定 → B or C |
| Group Chat | 協調対話 | A ↔ B ↔ C |
例えば以下のようなフローを定義できます。
Durable Functions みたいですね。Durable Functionsの場合は状態管理もされており、より堅牢なワークフローが実装できます。
Workflow の実装例
from agent_framework.workflows import WorkflowBuilder
# エージェント作成
researcher = ChatAgent(
name="ResearcherAgent",
description="調査を行うエージェント",
instructions="あなたはデータを調査し、分析結果を提供します。",
chat_client=OpenAIChatClient()
)
coder = ChatAgent(
name="CoderAgent",
description="コードを書くエージェント",
instructions="あなたはコードを使って問題を解決します。",
chat_client=OpenAIResponsesClient(),
tools=HostedCodeInterpreterTool()
)
# Workflow構築
builder = WorkflowBuilder(researcher)
builder.add_edge(researcher, coder) # researcher → coder
workflow = builder.build()
# 実行
result = await workflow.run("過去2年間の東京の天気データを分析してください。")
Memory（会話状態の管理）
Memory は、会話履歴やコンテキストを永続化する仕組みです。
# Thread による会話履歴管理
agent = ChatAgent(
chat_client=AzureAIAgentClient(async_credential=credential),
instructions="あなたは親切なアシスタントです。"
)
# 新しいスレッド作成
thread = agent.get_new_thread()
# 同じスレッドで複数ターン実行
response1 = await agent.run("こんにちは", thread=thread)
response2 = await agent.run("私の名前はしろくまです。", thread=thread)
response3 = await agent.run("私の名前は何ですか？", thread=thread)
print(response3.text) # "あなたの名前はしろくまです。"
さらに、会話履歴を外部ストレージと統合できます。
以下はRedisを使う場合の例です。
from agent_framework import ChatAgent
from custom_memory import RedisChatMessageStore
# Redis を使った永続化
agent = ChatAgent(
chat_client=AzureOpenAIChatClient(...),
chat_message_store_factory=lambda: RedisChatMessageStore(
redis_url="redis://localhost:6379"
)
)
Observability（運用観点：可観測性）
本番運用において、エージェントの動作を監視・デバッグするための**Observability（可観測性）**は不可欠です。
Agent Frameworkは以下3種類のテレメトリを自動収集してくれます。
| テレメトリ種別 | 収集内容 | 用途 |
|---|---|---|
| Traces（トレース） | エージェント実行フロー | - エージェント呼び出し経路の可視化 - ツール実行順序の確認 - ボトルネック特定 |
| Metrics（メトリクス） | パフォーマンス指標 | - 実行時間の統計 - トークン使用量の監視 - コスト最適化 |
| Logs（ログ） | 構造化イベント | - エラー詳細の記録 - デバッグ情報 - 監査ログ |
※Spanとは、トレースの単位で、一つの処理や操作の開始から終了までの記録のことです。
自動生成されるSpan（トレース単位）
Agent Frameworkは以下のSpanを自動生成します。
1. invoke_agent <agent_name>
エージェント呼び出し全体を表すトップレベルのSpanです。
収集される属性例
{
"gen_ai.operation.name": "invoke_agent",
"gen_ai.system": "openai",
"gen_ai.agent.id": "OrchestratorAgent",
"gen_ai.agent.name": "OrchestratorAgent",
"gen_ai.request.instructions": "自動車販売オーケストレーター...",
"gen_ai.response.id": "chatcmpl-...",
"gen_ai.usage.input_tokens": 1250,
"gen_ai.usage.output_tokens": 320
}
2. chat <model_name>
LLM呼び出しごとに生成されるSpanです。
収集される属性例
-
gen_ai.request.model: 使用モデル名（例:gpt-4o） -
gen_ai.prompt: プロンプト内容（ENABLE_SENSITIVE_DATA=true時のみ） -
gen_ai.response.text: LLMレスポンス（同上） -
gen_ai.usage.input_tokens: 入力トークン数 -
gen_ai.usage.output_tokens: 出力トークン数
3. execute_tool <function_name>
ツール関数実行ごとに生成されるSpan。
収集される属性例
-
tool.name: ツール名（例:call_proposal） -
tool.call.arguments: 引数JSON（ENABLE_SENSITIVE_DATA=true時のみ） -
tool.call.results: 結果JSON（同上）
Metrics
メトリクスも収集できます。自動で収集されるメトリクスは以下の情報です。
| メトリクス名 | 種類 | 測定内容 |
|---|---|---|
gen_ai.client.operation.duration |
Histogram | LLM操作の実行時間（秒） |
gen_ai.client.token.usage |
Histogram | トークン使用量（入力/出力） |
agent_framework.function.invocation.duration |
Histogram | ツール関数の実行時間（秒） |
これらのメトリクスは、Azure Application Insightsで以下のようなクエリで分析できます。
customMetrics
| where name == "gen_ai.client.token.usage"
| summarize avg(value), max(value), percentile(value, 95) by bin(timestamp, 1h)
| render timechart
Observabilityの実装方法
パターン1: 環境変数による設定（推奨）
最もシンプルな方法です。.envファイルに環境変数を設定し、setup_observability()を呼び出すだけです。
# main.py または orchestrator_chat_repl.py の先頭
import os
from agent_framework.observability import setup_observability
# 環境変数から自動設定
setup_observability()
# 以降、通常通りエージェントを実行
async with AzureAIAgentClient(...) as client:
agent = client.create_agent(...)
result = await agent.run("...")
.env ファイル例
# Observability 有効化
ENABLE_OTEL=true
# センシティブデータ記録
ENABLE_SENSITIVE_DATA=false
# Application Insights（Azure Monitor）
APPLICATIONINSIGHTS_CONNECTION_STRING="InstrumentationKey=...;IngestionEndpoint=https://..."
# ローカル開発用（Aspire Dashboard）
OTLP_ENDPOINT=http://localhost:4317
トレース情報出力例
Observabilityを有効化すると、以下のようなトレースが出力されます。
コンソール出力例
{
"name": "invoke_agent OrchestratorAgent",
"context": {
"trace_id": "0xf2258b51421fe9cf4c0bd428c87b1ae4",
"span_id": "0x2cad6fc139dcf01d",
"trace_state": "[]"
},
"kind": "SpanKind.CLIENT",
"parent_id": null,
"start_time": "2025-01-10T11:00:48.663688Z",
"end_time": "2025-01-10T11:00:57.271389Z",
"status": {
"status_code": "UNSET"
},
"attributes": {
"gen_ai.operation.name": "invoke_agent",
"gen_ai.system": "openai",
"gen_ai.agent.id": "OrchestratorAgent",
"gen_ai.agent.name": "OrchestratorAgent",
"gen_ai.request.instructions": "自動車販売オーケストレーター...",
"gen_ai.response.id": "chatcmpl-CH6fgKwMRGDtGNO3H88gA3AG2o7c5",
"gen_ai.usage.input_tokens": 1250,
"gen_ai.usage.output_tokens": 320
},
"events": [],
"links": [],
"resource": {
"service.name": "agent_framework"
}
}
Model Context Protocol (MCP)
もう知ってるよ！という方は読み飛ばしてください！！
MCP の概要
Model Context Protocol (MCP) は、AIエージェントと外部ツールを接続する標準プロトコルです。Anthropicが2024年11月に発表しました。
MCPによるツール処理は以下のように行われます。
1. Agent → MCP Client: "VehicleModels ツールを呼び出したい"
2. MCP Client → MCP Server: HTTP POST /runtime/webhooks/mcp
{
"tool": "VehicleModels",
"arguments": {}
}
3. MCP Server → Tool Implementation: handle_vehicle_models_get()
4. Tool → MCP Server: { "vehicle_models": [...] }
5. MCP Server → MCP Client: JSON Response
6. MCP Client → Agent: ツール結果を返す
Azure Functions の MCPサーバ化
Azure Functions で、MCPサーバーを簡単に構築できます。さらに最近、Streamable HTTPもサポートされました。うれしいですね。
実装例です。従来のHTTPトリガーなどのデコレーターの代わりに、generic_trigger デコレーターを使います。
-
type="mcpToolTrigger"で MCP プロトコル対応 -
toolPropertiesで入力スキーマを定義 -
contextは JSON文字列（argumentsキーにパラメータ） - 戻り値も JSON 文字列
@app.generic_trigger(
arg_name="context",
type="mcpToolTrigger", # MCP トリガー指定
toolName="VehicleModels", # ツール名
description="購入可能な車種一覧を取得", # 説明
toolProperties=json.dumps([]) # 入力スキーマ（空配列 = パラメータなし）
)
def vehicle_models_get_mcp(context) -> str:
content = json.loads(context) # context は JSON文字列
arguments = content.get("arguments", {})
result = handle_vehicle_models_get(arguments)
return json.dumps(result) # JSON文字列で返す
実装内容の紹介
ここからは、実際の実装内容を紹介します。
再掲ですが、このようなシステム構成です。
MCPツールサーバの構築（Azure Functions）
ツールの一つである、VehicleModels （車両マスタ取得）ツールの実装例を紹介します。
実装のポイントはこれらです。
-
contextは JSON文字列。argumentsキーにツールのパラメータが格納される -
toolPropertiesで入力スキーマを定義（propertyName,propertyType,required等） - 戻り値も JSON 文字列
# function_app.py
import azure.functions as func
import json
from handlers import handle_vehicle_models_get
app = func.FunctionApp(http_auth_level=func.AuthLevel.ANONYMOUS)
# ツールプロパティ定義（入力パラメータなし）
_TOOL_PROPERTIES_VEHICLE_MODELS_JSON = json.dumps([])
@app.generic_trigger(
arg_name="context",
type="mcpToolTrigger",
toolName="VehicleModels",
description="購入可能な車種一覧を取得",
toolProperties=_TOOL_PROPERTIES_VEHICLE_MODELS_JSON,
)
def vehicle_models_get_mcp(context) -> str:
"""MCPトリガーによる購入可能車種一覧取得ツール"""
try:
content = json.loads(context)
arguments = content.get("arguments") or {}
result = handle_vehicle_models_get(arguments)
return json.dumps(result)
except Exception:
logging.exception("vehicle_models_get_mcp 実行失敗")
return json.dumps({"error": "internal_error"})
Agent Framework の実装
各専門家エージェントの構築
用意したエージェントは、ProposalAgent, QuotationAgent, FinanceAdvisorAgent, OrchestratorAgent の4つです。
ここでは、ProposalAgent の実装内容を紹介します。
役割は、ユーザーの要望（予算/人数/納期優先度/燃料タイプ）から候補車種を2-3件提案することです。
# agents/proposal_agent.py
from agent_framework import ChatAgent
from schemas.proposal_schema import ProposalQuery, ProposalResponse
from tools.mcp_tools import MCPToolClient
class ProposalAgent:
def __init__(self, mcp: MCPToolClient, framework_client):
self.mcp = mcp
self.client = framework_client
async def run(self, query: ProposalQuery) -> ProposalResponse:
# 1. VehicleModels 取得
vehicles = await self.mcp.call_tool("VehicleModels", {})
all_models = vehicles.get("vehicle_models", [])
# 2. 条件フィルタリング
candidates = []
for v in all_models:
# 予算チェック
if query.budget_max and v["base_price"] > query.budget_max:
continue
# 乗車人数チェック
if query.passenger_count and v["passenger_capacity"] < query.passenger_count:
continue
# 燃料タイプチェック
if query.fuel_pref and v["fuel_type"] != query.fuel_pref:
continue
candidates.append(v)
# 3. 納期情報取得（priority が lead_time の場合）
if query.priority == "lead_time":
model_ids = list(set(c["model_id"] for c in candidates))
leadtimes = await self.mcp.call_tool("LeadTimeAPI", {"model_ids": model_ids})
# 納期マージ
lt_map = {item["model_id"]: item["est_lead_weeks"]
for item in leadtimes.get("items", [])}
for c in candidates:
c["est_lead_weeks"] = lt_map.get(c["model_id"], 12)
# 納期ソート
candidates.sort(key=lambda x: x.get("est_lead_weeks", 999))
# 4. 上位2-3件を推奨
recommendations = []
for v in candidates[:3]:
reasons = []
if v.get("est_lead_weeks"):
reasons.append(f"納期約{v['est_lead_weeks']}週")
if v["fuel_type"] == "hybrid":
reasons.append("燃費優先")
recommendations.append({
"model_id": v["model_id"],
"model_name": v["model_name"],
"grade_id": v["grade_id"],
"engine_id": v["engine_id"],
"vehicle_price": v["base_price"],
"reasons": reasons,
"est_lead_weeks": v.get("est_lead_weeks")
})
return ProposalResponse(
recommendations=recommendations,
normalized_requirements={
"budget_max": query.budget_max,
"priority": query.priority
}
)
OrchestratorAgent の実装（オーケストレーターエージェントとマルチターン対話）
各専門エージェントをツールとして呼び出し、ユーザとの会話状態を管理します。
-
Thread による会話状態管理:
get_new_thread()で作成した Thread を再利用 - ツール関数の Docstring: LLM に渡される説明文
-
内部状態の保持:
_last_proposal,_last_quotationで前回結果を記憶
# agents/orchestrator_agent.py
from agent_framework.azure import AzureAIAgentClient
from typing import Dict, Any
class OrchestratorAgent:
def __init__(self, framework_client: AzureAIAgentClient):
self.client = framework_client
# マルチターン対話用の状態管理
self._agent = None
self._thread = None
self._last_proposal = None
self._last_quotation = None
async def start_chat(self, user_query: str) -> Dict[str, Any]:
"""初回ターン: エージェント + Thread 初期化"""
await self._initialize_agent()
return await self._run_turn(user_query)
async def chat_turn(self, user_message: str) -> Dict[str, Any]:
"""後続ターン: 同一 Thread で継続対話"""
return await self._run_turn(user_message)
async def _initialize_agent(self):
"""エージェント初期化（初回のみ実行）"""
if self._agent is not None:
return
# ツール定義
async def call_proposal(user_query: str, budget_max: int = None) -> dict:
"""候補車種リスト生成"""
result = await self.proposal.run(user_query, budget_max)
self._last_proposal = result
return result
async def call_quotation(engine_id: str, down_payment: int = 0) -> dict:
"""月額料金プラン計算"""
result = await self.quotation.run(engine_id, down_payment)
self._last_quotation = result
return result
# エージェント作成
self._agent = self.client.create_agent(
name="OrchestratorAgent",
instructions="自動車販売オーケストレーター。ユーザー要求を整理し、"
"call_proposal → call_quotation の順で実行",
tools=[call_proposal, call_quotation]
)
# Thread 作成（対話履歴保持）
self._thread = self._agent.get_new_thread()
async def _run_turn(self, user_message: str) -> Dict[str, Any]:
"""1ターン実行"""
result = await self._agent.run(
user_message,
thread=self._thread, # 同一スレッドで履歴保持
store=True
)
return {
"assistant_output": result.text,
"proposal": self._last_proposal,
"quotation": self._last_quotation
}
動作確認
Azure Functions 起動
cd functions-mcp
func start
# → http://localhost:7071 で起動
エージェント実行
# 別ターミナル
python orchestrator_chat_repl.py \
--query "家族4人 ハイブリッド 納期短め 予算400万" \
--priority lead_time
実行結果は以下のようになります。
- ユーザーが車の要件を入力します。
- OrchestratorAgentが要件を解析し、各エージェントに処理を依頼します。
- まず最初にProposalAgentが提案を作成します。
- 提案のために必要な車種リストをMCPツールから取得
- 車種リストとユーザ要件をもとに、推薦車種を絞り込み
- ユーザに提案内容を返却
- 次に、QuotationAgentが見積を作成します。
- 推薦車種の納期をMCPツールから取得
- 推薦車種の月額料金をMCPツールから取得
- 最後に、FinanceAdvisorAgentが与信審査を行います。
- ユーザーの年収・借入額をユーザにヒアリング
- 与信スコアをMCPツールから取得
- 契約可否をユーザに返却
PS> python .\orchestrator_chat_repl.py --query "ワンボックスほど大きくない、スライドドアの車がいいなー" --budget-max=6000000 --verbose
00:18:37 - mcp.client.streamable_http - DEBUG - SSE message: root=JSONRPCResponse(jsonrpc='2.0', id=3, result={'content': [Json形式の車種情報]})
00:32:13 - agent_framework - DEBUG - Function result: {'recommendations': [{'model_id': 'VOXY', 'grade_id': 'VOXY-Z', 'engine_id': 'VOXY-Z-HV', 'vehicle_price': 3740000, 'reasons': ['スライドドア付きの車両です', '乗車人数4人に適しています', '予算内で収まり燃料効率が良好です'], 'est_lead_weeks': None}, {'model_id': 'SIENTA', 'grade_id': 'SIENTA-Z', 'engine_id': 'SIENTA-Z-HV', 'vehicle_price': 3108000, 'reasons': ['スライドドア付きのコンパクトミニバンです', 'ハイブリッド仕様で燃費が優れています', '予算内に収まり乗車人数に適しています'], 'est_lead_weeks': None}], 'normalized_requirements': {'budget_max': 6000000, 'passenger_count': 4, 'priority': 'balance', 'fuel_pref': 'hybrid'}, 'next_action_hint': None, 'metadata': {}}
00:32:29 - agent_framework - DEBUG - Function result: {'engine_id': 'VOXY-Z-HV', 'vehicle_price': 3740000.0, 'subscription_term_months': 36, 'monthly_fee': 64534.0, 'breakdown': {'base_fee': 63580.0, 'maintenance_fee': 0.0, 'taxes_and_fees': 954.0, 'discount_amount': 0.0}, 'total_cost': 2323224.0, 'rationale': [], 'metadata': {}}
00:32:32 - agent_framework - DEBUG - Function result: {'engine_id': 'SIENTA-Z-HV', 'vehicle_price': 3108000.0, 'subscription_term_months': 36, 'monthly_fee': 53629.0, 'breakdown': {'base_fee': 52836.0, 'maintenance_fee': 0.0, 'taxes_and_fees': 793.0, 'discount_amount': 0.0}, 'total_cost': 1930644.0, 'rationale': [], 'metadata': {}}
=== 初回応答 ===
トヨタの以下の2車種をおすすめします。
1. VOXY-Z (ハイブリッド)
- 月額料金: 64,534円
- 契約期間: 36ヶ月
2. SIENTA-Z (ハイブリッド)
- 月額料金: 53,629円
- 契約期間: 36ヶ月
どちらもスライドドア付きで、予算内に収まります。さらに詳しくご検討されたい場合はお知らせください。
あなた> SIENTAがいいです！！
--- 応答 ---
素晴らしい選択です！トヨタのSIENTAは利便性が高く、燃費も良いお車です。
次は、必要に応じて与信審査を行います。以下の情報が必要ですので教えていただけますか：
- 年収
- 希望借入額
また、可能であれば以下の情報もご提供ください：
- 年齢
- 雇用形態
- 他の借入の有無と金額
- 扶養家族の数
あなた> 30歳会社員、ほかの借り入れはありません。扶養家族は二人です。
--- 応答 ---
ありがとうございます。それでは、年収と希望借入額を教えていただけますか？
あなた> 年収は700万です。借入額は全額で。
00:43:14 - agent_framework - DEBUG - Function result: {'score': 66, 'rating': 'AA', 'approved': True, 'annual_income': 7000000, 'requested_amount': 1000000, 'decision': None, 'factors': None, 'manual_review_reason': None, 'metadata': {'version': '1.0', 'source_tools': ['FinancePrecheck'], 'generated_at': '2023-11-03T13:30:46'}}
--- 応答 ---
新しい借入額での与信審査は無事に承認されました！トヨタのSIENTA、借入額100万円でのお手続きが可能です。
まとめ
**Agent Framework はかなり実用的だなと感じました。**MCP統合、マルチターン会話、Observability が標準で備わっているのがよいですね。
Microsoftが作っているだけあり、AzureのApplicationInsights連携も簡単にできます。
Agent Framework自体の話ではなく一般的な話ですが、エージェントの活用という意味だと、マルチエージェントは責務分離が重要ですね。今回で言うと、Proposal/Quotation/Finance を分けたことで保守性が向上できます。それぞれで品質担保をするように運用してくイメージです。
まだWorkflowを試せていないので、次回はWorkflowを使った実装にチャレンジしたいと思います。
Discussion