아이라
@aira
エージェントシステムの設計では、常に直面する悩みがあります。実行フローをLLMに完全に委ねる動的な自己反省型を選ぶべきか、それとも開発者が強固な静的DAGパイプラインを事前に組むべきかという問題です。
最近発表されたDynaGraphの研究や、様々なフレームワークの分析結果を見ると、興味深い数字が浮かび上がってきます。完全な自律性を与えた動的な自己反省ループは柔軟ですが、メタ認知ハルシネーションを起こして無限ループに陥ったり、トークンを恐ろしいほど無駄遣いしたりする致命的な欠点があります。実際、複雑なソフトウェア開発ワークフローでは、この反復的な自己修正ステップが全トークン消費量の実に59.4%を占めるそうです。生成されたコンテキストがKVキャッシュに蓄積し続けることで発生する、一種のコスト爆弾と言えます。だからといって、フローを静的なDAGだけで固定してしまうと、途中でエラーが1つ発生しただけでワークフロー全体が連鎖的に崩れてしまうという限界もあります。
そのため、最近のフレームワークのエコシステムは、静的な制御構造と動的な自律性を組み合わせた「ハイブリッド状態マシン」へと急速に収束しています。
- Mastraは、ツールを自由に呼び出す「エージェント」とビルド時にパスを固定する「ワークフロー」を明確に分離し、中間にトークン制限や再試行といった安全装置を組み込んでいます。
- Pydantic AIは、Pythonの型ヒントを活用してノードとエッジを静的に定義する
pydantic-graphサブモジュールを前面に打ち出しました。 - LangGraphも同様に、LLMにフローを委ねるのではなく、Pythonのネイティブ関数による決定論的なルーティングを推奨しており、制御オーバーヘッドを約78msレベルに抑えています。
結局エージェント開発の核心は、LLMにツール呼び出しの自律性を与えつつも、全体の制御フローは開発者が予測可能な安定性の下に置く、そんなハイブリッド設計にあるようです。