Box AI が Deep Agents を活用してエンタープライズ向けコンテンツエージェントを構築した方法

## Box AI の構築：Deep Agents を活用したエンタープライズコンテンツプラットフォームの AI ネイティブ化 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a28c8fcc2f66710da5964d8_building-box-ai.png) [Box](https://www.box.com/) は、構造化されていないデータを保存・保護・管理するために 10 万社以上のエンタープライズに信頼されているインテリジェントなコンテンツ管理プラットフォームです。[Box AI](https://www.box.com/ai) の一部である Box Agent は、[Deep Agents](https://www.langchain.com/deep-agents) を基盤として構築されており、エンタープライズのコンテンツライブラリ全体を検索し、数千のドキュメントにわたる知見を統合してレポートや分析を生成します。その際も、Box の既存のセキュリティおよび権限モデルを完全に尊重します。 ## 単一ファイルの Q&A からエンタープライズ規模の分析へ Box Agent の最初のバージョンでは、ユーザーは単一のドキュメント内で質問を行うことができました。その後、チームは「ナレッジハブ（Knowledge Hubs）」を導入しました。これは RAG（Retrieval-Augmented Generation：検索拡張生成）ベースのレイヤーであり、定義された知識ソース全体を照会することを可能にします。 *「エージェントの開発を開始した際、私たちは検索の問題を解決したかったのです」と、Box のシニア AI アーキテクトである Sesh Jalagam 氏は説明しています。「エンタープライズ検索は困難です。なぜなら、重複する情報や古くなった情報が存在し、一見同じように見えるものの、各企業には独自の用語体系があるからです。」* 価値ある機能を提供する一方で、ユーザーは異なる分野にわたって次第に複雑な質問を投げかけるようになりました。バイオサイエンス企業の研究者が、新しい研究を開始する前に既存の研究資料を Box AI に要約させることを求めたり、法務チームが過去 10 年間で特定の金額を超える契約書すべてを抽出し、リスク評価基準に基づいて分析することを依頼したりすることがあります。より豊かな AI ネイティブな体験を実現するために、Box は標準的な Q&A を超えたエージェントアーキテクチャが必要でした。 制御性、モデルの柔軟性、および速度のために Deep Agents を選択 Box はエージェントプラットフォームを構築するにあたり複数のフレームワークを検討しました。この決定を形作ったのは 2 つの要件です。 - モデル非依存性の完全な実現：Box は顧客に対して OpenAI や Anthropic から Google などまでの LLM プロバイダーを選択できる選択肢を提供しており、その柔軟性をプラットフォームレベルで維持する必要がありました。 - イテレーションの速度：10 万人以上の企業顧客向けに Box Agent を立ち上げ改善するためには、Box チームはコアなエージェントインフラを再構築するのではなく、企業固有の問題にエンジニアリング時間を集中させる必要がありました。 Deep Agents はこの両方の要件を満たしました。モデル抽象化レイヤーがプロバイダー非依存のルーティングを処理し、オープンなエージェントハッチ（harness）によりイテレーション速度が 3 倍向上しました*。「すべての部品を完全に制御しながら、先見的なフレームワークの上に構築したかったのです」と Jalagam は述べています。 ## ディープエージェントアーキテクチャ：自身の子供を生成する親エージェント Box エージェントのアーキテクチャは、親と子の両方がディープエージェント（Deep Agent）である親子モデルを採用しています。親（グローバルエージェントと呼ばれます）はリクエストを受け取り、意図を分類し、直接処理するか、または子エージェントを生成して作業を分散させるかを決定します。子エージェントは親に対してツールとして表現されるため、親がキーワード検索を実行する場合でも、新たに生成されたサブエージェントに委譲する場合でも、呼び出しインターフェースは一貫したまま保たれます。 この設計は、ハードコード化された専門的なサブエージェント（専用の検索エージェント、QA エージェント、およびコンポーズエージェント）を持つ以前のアーキテクチャからの意図的な進化です。これらは不要なレイテンシを生み出していました。「質問が非常に単純である場合や、検索が非常に単純である場合は、親ノードがそのまま処理すればよいのです」と Box の AI エンジニアリングリーダーである Shubhro Roy は述べています。「計画を立てる必要さえありません。」 複雑なタスクにおいては、動作は全く異なるものになります。例えば、過去 10 年間の契約書すべてを抽出し、閾値を超える金額のものについてリスク評価基準に照らして評価するよう指示された場合、グローバルエージェントは計画を立てた上で並列展開します。一つの子エージェントが関連文書の検索を行い、もう一つが並行して評価基準を取得し、残りの一つが前二つの完了後に結果を統合・分析します。これら 3 つのエージェント（またはタスクの要件に応じて任意の数）は、それぞれ独立したコンテキストウィンドウで実行され、ミドルウェア層を通じて結果を報告します。 子エージェントは事前に定義されたものではなく動的に生成されるため、Box の製品チームが明示的に設計していないタスクもシステムは処理できます。グローバルエージェントはランタイムにおいて、どの子エージェントを作成し、どのようなツールを与えるかを決定します。 親エージェントと子エージェントの両方が、BM25 キーワード検索、ベクトル検索（vector search）、スプレッドシート上の構造化された Q&A、ファイル操作などを含む、同じ完全なツールレジストリにアクセスできます。各リクエストごとに動的にツールのサブセットを選択しようとするのではなく、Box が見つけたのは、ユースケースが拡大するにつれて、どのツールを使用するかを決定する上で、静的なルーティングロジックよりもモデルの方が優れているという点です。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a2c3ad82abed12030d74c4d_box-agent-architecture%201.png) ## ミドルウェア：引用、キャッシュ、コンテキスト管理 Box は、モデル呼び出しとツール呼び出しをインターセプトする Deep Agents [ミドルウェア](https://reference.langchain.com/python/deepagents/middleware) を使用しています。ミドルウェアを使用すると、ガードレール、承認プロセス、動的なコンテキスト、およびその他のアプリケーション固有の動作を用いてエージェントループをカスタマイズできます。Box エージェントにおけるその機能のうち 3 つは以下の通りです。 **引用生成**。複雑で複数の文書にわたる回答を行う場合、引用はレスポンスストリーミング中に並列プロセスとして実行されます。ストリーミングされた回答が完了する頃には、引用も添付の準備が整っています。埋め込みベースのマッチングによりソースの帰属処理が行われ、引用が複数のソースに適切に分散されるようにするための組み込みロジックを備えています。*「ミドルウェアとして実装することの利点は、回答のストリーミングと引用生成が並列で実行されるため、ユーザーを中断させることがないことです」と、Roy は説明しています。 **プロンプトキャッシュ**。ミドルウェアは多回対話（マルチターン会話）にキャッシュ機能を注入し、会話履歴が蓄積するにつれてコストとレイテンシの両方を削減します。 **コンテキスト管理**。会話履歴が 170,000 トークンを超過した場合、ミドルウェアが自動的に要約を行い、エージェントロジックの変更を必要とせずにコンテキストオーバーフローを防ぎます。 ミドルウェアは、親エージェントと子エージェント間の通信チャネルとしても機能します。検索を完了した子エージェントは、その結果をミドルウェアを通じて書き込みます。親エージェントや他の子エージェントは、これらの結果を読み取り、それに基づいて行動することができます。これが、単一の実行プロセス内でエージェント間で中間成果物が流れる仕組みです。 ## 反復の速度：数ヶ月から数週間に Deep Agents の導入により、Box のエンジニアリングの速度が有意に加速しました。「以前は Box AI をゼロから完全に構築していたため、市場に出すまでに時間がかかりました」とジャラガム氏は強調しています。「現在のスタックでは、チームは数週間で新しいエージェントをリリースできます。 この加速は、アジェンシープラットフォーム自体内でも確認できます。ハードコードされた専門サブエージェントを持つ最初のエージェントアーキテクチャの開発とリリースには約 3 か月かかりました。その後採用された再帰的な親/子アーキテクチャでは、その 4 倍の速度で出荷されました。 ## Box エージェントの組織的知識の拡大 現在の Box エージェントの機能——企業横断検索、複数文書の合成、構造化レポート生成——は、ベテラン従業員のような組織的知識を持つ将来のエージェントの基盤です。「すべての要素を 10 年間理解しているような従業員を想像してください」とジャラガム氏は述べています。ロードマップには、エージェント内でのより豊かなメモリと知識構成、バックグラウンドでオフライン実行して情報を収集・提示する能力、および内部チームや外部システムとのより深いコミュニケーションが含まれています。 *Box のエージェントアーキテクチャについてさらに詳しく読む：*[https://blog.box.com/how-box-built-its-ai-agent-langgraph](https://blog.box.com/how-box-built-its-ai-agent-langgraph)* * *エンタープライズコンテンツの上にエージェントを構築するには？*[Deep Agents](https://www.langchain.com/deep-agents)（深層エージェント）についてさらに詳しく学ぶ。* ## 関連コンテンツ ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a1dc0ab47392c70667a8201_Harmonic-blog.png) 事例研究 ## Deep Agents と LangSmith を活用して Scout を再構築し、リテンションを 4 倍に高めた Harmonic の取り組み ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a10d5ed01e84b2e809523b1_sofia-sulikowski.jpeg) ソフィア・スリコフスキ（Sofia Sulikowski） 2026 年 6 月 3 日 8 分 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a10dc86325daf4bdd2af44b_rippling-ai-native.png) 事例研究 ## Deep Agents と LangSmith を活用し、6 ヶ月で全製品に AI ネイティブを浸透させた Rippling の取り組み ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a10d5ed01e84b2e809523b1_sofia-sulikowski.jpeg) ソフィア・スリコフスキ（Sofia Sulikowski） 2026 年 6 月 1 日 6 分 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a0f309a0e77b5e3544965e5_Lyft-customer-support-blog.png) 事例研究 LangGraph（ラングラフ） LangSmith（ランスミス） チュートリアルとハウツー ## LangGraph と LangSmith を活用したカスタマーサポート向けセルフサービス AI エージェントプラットフォームの構築 — Lyft の事例 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a0f35862276d228fb60ba48_akshay-sharma.jpeg) アクシャイ・シャルマ 2026 年 5 月 27 日 10 分 ## エージェントが実際に何をしているかを確認する LangSmith（エージェントエンジニアリングプラットフォーム）は、開発者がすべてのエージェントの意思決定をデバッグし、評価変更を行い、ワンクリックでデプロイできるように支援します。

Box AI が Deep Agents を活用してエンタープライズ向けコンテンツエージェントを構築した方法

背景や根拠まで確認しますか？

調べる

選ぶ

サイト