AIエージェントアーキテクチャの設計パターン：ReAct、Plan-and-Solve、Multi-Agent
ChatGPTやClaudeといったAIとの対話が日常化した今、次の一手として注目されているのが「AIエージェント」です。単なる質問応答を超え、外部ツールを使いこなし、複雑なタスクを自律的に遂行するAIエージェントは、Webアプリケーションの可能性を大きく広げます。
しかし、エージェントを実装しようとすると、すぐに「どう設計すればいいのか」という壁にぶつかります。本記事では、現代のAIエージェント開発における3つの主要な設計パターン—ReAct、Plan-and-Solve、Multi-Agent—を解説し、それぞれの特徴と使い分けを示します。
AIエージェントとは何か
定義
AIエージェントとは、環境を観察し、自律的に意思決定を行い、アクションを実行することで特定の目標を達成するシステムです。従来のLLM（大規模言語モデル）との大きな違いは以下の3点に集約されます。
| 特徴 | 従来のLLM | AIエージェント |
|---|---|---|
| 記憶 | セッション内の文脈のみ | 長期記憶、外部ストレージの活用 |
| ツール使用 | なし | API、データベース、検索エンジンなど |
| 自律性 | 応答のみ | ループ・反復によるタスク遂行 |
基本構造
ほとんどのAIエージェントは以下のループ構造で動作します。
┌─────────────┐ ┌─────────────┐ ┌─────────────┐
│ 観察 │────▶│ 思考 │────▶│ 行動 │
│ (Observation)│ │ (Thought) │ │ (Action) │
└─────────────┘ └─────────────┘ └──────┬──────┘
▲ │
└─────────────────────────────────────────┘
(結果の観察)このループの「思考」部分の設計が、エージェントの能力を大きく左右します。
設計パターン1：ReAct（Reasoning + Acting）
概要
ReActは、Google Researchが2022年に提唱したパターンで、推論（Reasoning）と行動（Acting）を交互に繰り返す手法です。人間が「考えて、行動して、結果を見て、また考える」というサイクルを自然に行うように、LLMも同じサイクルを踏みます。
動作フロー
質問: "東京都の今日の天気は？"
思考1: 天気情報が必要。検索ツールを使おう。
行動1: search("東京都 天気 今日")
観察1: [検索結果] 晴れ、最高気温25度
思考2: 情報が得られた。回答を作成しよう。
行動2: finish("東京都は今日晴れで、最高気温は25度です。")コード例（擬似コード）
python
def react_agent(query, tools, max_iterations=10):
"""
ReActパターンのエージェント実装
"""
context = f"質問: {query}\n\n"
for i in range(max_iterations):
# LLMに思考と行動を生成させる
response = llm.generate(
prompt=context + "\n次の思考と行動を決定してください。",
stop=["\n観察:"]
)
# 思考と行動をパース
thought, action = parse_thought_action(response)
context += f"思考: {thought}\n行動: {action}\n"
# 終了条件
if action.startswith("finish"):
return extract_answer(action)
# ツールを実行
observation = execute_tool(action, tools)
context += f"観察: {observation}\n\n"
return "最大反復回数に達しました"向いているユースケース
- リアルタイム情報が必要なQ&A（天気、株価、ニュース）
- デバッグやトラブルシューティング
- 段階的な問題解決
設計パターン2：Plan-and-Solve（計画実行型）
概要
Plan-and-Solveは、その名の通り**「計画を立ててから実行する」**アプローチです。ReActが「考えながら進む」タイプなら、Plan-and-Solveは「しっかり計画してから一気に進む」タイプです。複雑なタスクを分解し、実行計画を立ててからステップバイステップで遂行します。
動作フロー
質問: "Reactアプリを作成してVercelにデプロイする手順を教えて"
【計画フェーズ】
1. プロジェクトの初期化 (create-react-app)
2. 必要なパッケージのインストール
3. 基本的なコード編集
4. Gitリポジトリの初期化
5. Vercelへのデプロイ設定
【実行フェーズ】
ステップ1を実行 → ステップ2を実行 → ... → 完了コード例（LangChain風）
python
from langchain import OpenAI, LLMChain, PromptTemplate
plan_prompt = """
以下のタスクを複数のステップに分解してください。
各ステップは1つのアクションで完了できる粒度にしてください。
タスク: {task}
ステップ:
1. """
execute_prompt = """
タスク: {task}
計画: {plan}
現在のステップ: {current_step}
このステップを実行してください。
"""
def plan_and_solve_agent(task):
# 1. 計画を立てる
planner = LLMChain(
llm=OpenAI(),
prompt=PromptTemplate(template=plan_prompt, input_variables=["task"])
)
plan = planner.predict(task=task)
steps = parse_steps(plan)
# 2. 計画を実行
results = []
for step in steps:
executor = LLMChain(
llm=OpenAI(),
prompt=PromptTemplate(
template=execute_prompt,
input_variables=["task", "plan", "current_step"]
)
)
result = executor.predict(
task=task,
plan=plan,
current_step=step
)
results.append(result)
return {
"plan": plan,
"results": results
}向いているユースケース
- 複雑なワークフローの自動化
- 予測可能な手順を伴うタスク
- 複数ステップにわたるレポート生成
設計パターン3：Multi-Agent（複数エージェント協調）
概要
Multi-Agentは、複数の専門化されたエージェントを協調させて複雑なタスクを解決するパターンです。1人の万能なエージェントよりも、専門家たちが協力した方が効率的なケースが多いのと同じ理屈です。
典型的な役割分担
┌─────────────────────────────────────────┐
│ オーケストレーター │
│ （タスク分配・統合） │
└─────────────┬─────────────┬─────────────┘
│ │ │
┌─────────▼────┐ ┌──────▼─────┐ ┌─────▼─────┐
│ リサーチャー │ │ ライター │ │ レビュワー│
│ (情報収集) │ │ (文章作成) │ │ (品質確認)│
└──────────────┘ └────────────┘ └───────────┘コード例（CrewAI風）
python
from crewai import Agent, Task, Crew
# エージェントの定義
researcher = Agent(
role='リサーチャー',
goal='最新のAI技術トレンドを調査する',
backstory='テック業界の動向に詳しいアナリスト',
tools=[search_tool],
verbose=True
)
writer = Agent(
role='テックライター',
goal='調査結果を分かりやすい記事にまとめる',
backstory='5年間テックメディアで執筆経験あり',
verbose=True
)
editor = Agent(
role='エディター',
goal='記事の品質と正確性を確認する',
backstory='厳格な編集者で、事実確認が徹底している',
verbose=True
)
# タスクの定義
task1 = Task(
description='2024年の生成AIトレンドを調査',
agent=researcher
)
task2 = Task(
description='調査結果を元に記事を作成',
agent=writer,
context=[task1]
)
task3 = Task(
description='記事のファクトチェックと編集',
agent=editor,
context=[task2]
)
# クルーの実行
crew = Crew(
agents=[researcher, writer, editor],
tasks=[task1, task2, task3],
process='sequential' # 順次実行
)
result = crew.kickoff()向いているユースケース
- 複数ドメインの専門知識が必要なタスク
- 品質チェックが重要なコンテンツ作成
- 大規模な調査・分析プロジェクト
パターン比較と使い分け
| パターン | 強み | 弱み | ベストな使いどころ |
|---|---|---|---|
| ReAct | 柔軟性、適応力 | 予測困難、無限ループのリスク | 対話的・探索的タスク |
| Plan-and-Solve | 予測可能性、効率性 | 計画の固定化、柔軟性の欠如 | 決まった手順のタスク |
| Multi-Agent | スケーラビリティ、専門化 | 複雑性、コスト増 | 大規模・複雑なプロジェクト |
選択の指針
タスクの複雑さと規模で選ぶ：
単純なタスク ──────────────────▶ 複雑なタスク
│ │
▼ ▼
ReAct Plan-and-Solve
(シンプル・即応) (構造化・効率)
│ │
└──────────┬───────────────────┘
│
▼
Multi-Agent
(協調・専門化)【実装例】LangChainで作るシンプルなReActエージェント
最後に、実際に動作する最小限のReActエージェントをPythonとLangChainで実装します。
python
import os
from langchain.agents import Tool, AgentExecutor, create_react_agent
from langchain_openai import ChatOpenAI
from langchain import hub
# 1. ツールの定義
def search(query: str) -> str:
"""シミュレートされた検索関数"""
return f"「{query}」の検索結果: これはサンプル結果です。"
def calculator(expression: str) -> str:
"""計算関数"""
try:
result = eval(expression)
return f"計算結果: {result}"
except:
return "計算エラー"
tools = [
Tool(
name="Search",
func=search,
description="質問に答えるために検索が必要な場合に使用"
),
Tool(
name="Calculator",
func=calculator,
description="計算が必要な場合に使用"
)
]
# 2. LLMとエージェントの設定
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
# ReActプロンプトを取得
prompt = hub.pull("hwchase17/react")
# エージェントの作成
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(
agent=agent,
tools=tools,
verbose=True,
max_iterations=10
)
# 3. 実行
if __name__ == "__main__":
response = agent_executor.invoke({
"input": "100に37を掛けた結果を教えて"
})
print(f"\n最終回答: {response['output']}")実行結果の例
> 100に37を掛けた結果を教えて
Entering new AgentExecutor chain...
思考: この質問は計算が必要です。Calculatorツールを使います。
行動: Calculator
行動の入力: 100 * 37
観察: 計算結果: 3700
思考: 結果が得られました。回答します。
最終回答: 3700
Finished chain.
最終回答: 3700まとめ
AIエージェントの設計には、明確なパターンが存在します。
- ReAct：思考と行動を交互に繰り返し、柔軟に対応
- Plan-and-Solve：計画を立てて効率的に実行
- Multi-Agent：専門家たちが協力して大規模タスクを解決
これらを使い分けることで、単なる「賢いチャットボット」から、本当に自律的に仕事をこなすAIシステムへと進化できます。
Webエンジニアの皆さんは、まずはReActパターンから始めて、LangChainやCrewAIなどのフレームワークに慣れることをお勧めします。小さなエージェントを作ってみることで、AIが持つ新しい可能性を実感できるはずです。
次のステップとしては、実際の業務で自動化できる小さなタスクを見つけ、エージェント化に挑戦してみてください。