LLMエージェント設計パターン

🧠認知機能の7軸

エージェントの思考の次元

エージェントの認知能力を7つの軸に分解する。(1) 知覚（Perception）：入力の処理方法、(2) 記憶（Memory）：コンテキストの保持戦略、(3) 計画（Planning）：タスクの分解方法、(4) 推論（Reasoning）：論理と推論のパターン、(5) 実行（Execution）：ツールの使い方、(6) 学習（Learning）：経験の統合方法、(7) コミュニケーション（Communication）：エージェント間の情報交換。この7軸の組み合わせがエージェントの『認知プロファイル』を決める。

🗂️メモリの3階層

In-context・外部・エピソード

メモリ軸は3つの階層で実装される。(1) インコンテキスト：LLMのコンテキストウィンドウ内に直接保持——高速だがサイズに上限。(2) 外部：ベクトルDB・グラフDB・KVストア——大容量だが検索に遅延。(3) エピソード：過去のタスク履歴や成否パターンを保存——長期学習が可能。GraphBitはこの3階層をすべて実装し、長時間タスクでのコンテキスト消失を解消した。

🔍ReActパターン

推論と行動の交互ループ

ReActは最も実績ある推論パターンで、思考（Thought）→行動（Action）→観察（Observation）を繰り返す。長所：途中の推論過程が透明でデバッグしやすい。短所：ステップ数が増えるほどコストと遅延が線形に増大する。Plan-and-Executeは先に全体計画を立ててから実行する方式で、並列化には有利だが計画修正の柔軟性は低い。

🌐実行トポロジーの6軸

エージェントの配線図

エージェントシステムの実行構造を6つの軸で分類する。(1) 単一／複数エージェント、(2) 中央集権／分散制御、(3) 同期／非同期実行、(4) 固定／動的な役割割り当て、(5) 直列／並列のタスク実行、(6) 信頼・検証のエスカレーション経路。この6軸の組み合わせがエージェントの『トポロジー』を決め、７×６の行列が２７の固有パターンを生み出す。

👥監督者-作業者パターン

最も普及したトポロジー

最も広く採用されている複数エージェントのトポロジー。監督者（オーケストレーター）がタスクを分解し、作業者（ワーカー）エージェントに割り当てる。各ワーカーは専用のツールとコンテキストを持つ。長所：役割分離・並列実行・障害の隔離。短所：監督者が単一障害点になること、ワーカー間でコンテキストを共有するコスト。LangGraphの基本構造がこのパターンである。

open_in_new startupxo.com/ko/news/2026/05/llm-agent-design-patterns-production

🔄DAG実行エンジン

GraphBitの核心的革新

GraphBit（arXiv:2605.13848）はタスク実行グラフをDAG（有向非巡回グラフ）で表現し、Rustエンジンで実行する。DAG構造の長所：依存関係に基づく並列実行、決定論的な実行経路、失敗後の部分的な再実行。Rustエンジン：メモリ安全性と高性能。結果：GAIA 67.6%（+14.7pp）、ハルシネーション0%。従来のPython製エージェントフレームワークとは実行の信頼性が構造的に異なる。

📊GAIA 67.6%

+14.7pp・ハルシネーション0%

GAIA（General AI Assistant）は、現実世界のタスクでAIエージェントを評価するベンチマークだ。ウェブ検索、ファイル操作、コード実行、多段階推論を含む。GraphBitの67.6%は従来SOTA比で14.7ptの改善であり、ハルシネーション0%はDAG構造が不確実な推論経路を遮断するためだ。実務的な意味：GAIA水準のタスク完了率が、本番エージェントの信頼性基準として定着しつつある。

⚖️5つの経験則

パターン選択の基準

arXiv:2605.13850が導いた、パターン選択の5つの経験則。(1) 時間予算——短いタイムアウトには単純なパターン、(2) 権限——高い権限を要するタスクには検証エスカレーションが必須、(3) 失敗コスト——取り返しのつかない行動はヒューマン・イン・ザ・ループ、(4) スループット——高スループット要求には並列トポロジー、(5) 不確実性——高い不確実性には反復的な精緻化パターン。これらの法則は『GPT-4にできるか』ではなく『このリスクプロファイルにどの構造が合うか』を問う、パラダイムの転換だ。

🛡️ヒューマン・イン・ザ・ループ

失敗コストが高いとき

5つの法則のうち『失敗コスト』の法則を実装したもの。取り返しのつかない行動（メール送信、決済、コードのデプロイ、ファイル削除）はエージェントが自律実行せず、人間の確認を求める。実装パターン：信頼度のしきい値を下回る判断を検知→コンテキストとともに人間へ提示→承認後に再開。このパターンを欠くエージェントは本番投入できない。

🔧フレームワーク選択ガイド

LangGraph・CrewAI・Anthropic SDK

分類法を実際のツール選びに当てはめると：(1) ステートマシン型の複雑なワークフロー→LangGraph、(2) 役割ベースの複数エージェント→CrewAI、(3) 単一エージェントのツール利用→Anthropic Tool Use APIを直接、(4) DAGベースの高信頼な本番運用→GraphBitのアーキテクチャを参照、(5) 高速プロトタイプ→LangChain Agents。フレームワークの選択はトポロジー選択の結果であるべきで、逆であってはならない。

open_in_new startupxo.com/ko/news/2026/05/llm-agent-design-patterns-production

📐エージェンティックAIエンジニア

新たな職種の需要

27のパターンと5つの選択法則を理解するエンジニアは、2026年に最も需要の高いAI専門職だ。チャットボット実装者とエージェンティックシステムエンジニアの違い——前者はモデルを呼び出し、後者は信頼できるタスク完了の構造を設計する。ツール設計の品質＞プロンプトの品質——エージェントが使うツールのスキーマがエージェントの性能を決める。