Agentic Engineering: How Swarms of AI Agents Are Redefining Software Engineering｜アジェンティック・エンジニアリング：AIエージェントの群れがソフトウェアエンジニアリングを再定義する方法 | AIニュース最前線

![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69e23754937c2f749d12bb0b_76%20(1).png) ## 主要なポイント - エージェント型エンジニアリングとは何か？エージェント型エンジニアリングは、AIエージェントが定義された役割、共有メモリ、共通の観測可能性レイヤーを持つデジタルチームメンバーとして行動し、コード生成を高速化するだけでなく、ソフトウェアの完全なデリバリーパイプラインを通じてソフトウェアを進めるためのマルチエージェント調整モデルです。 - ソフトウェアデリバリーにおいてマルチエージェントシステムはどのような結果を生み出せるか？20以上のデバッグワークフローでのパイロットテストでは、協調されたエージェントの実行により、歴史的なベースラインと比較して根本原因特定までの時間が93%短縮され、単一月の512セッション全体で200時間以上のエンジニアリング時間を節約しました。開発ワークフローでは実行時間が65%短縮され、最大の改善効果はコード生成ではなく、下流のテスト圧縮から得られました。 - エージェント型エンジニアリングはCodexやClaudeのようなAIコーディングエージェントとどう異なるか？AIコーディングエージェントは、単一のユーザー主導セッション内で意図をコードに変換することに優れています。一方、エージェント型エンジニアリングはより高い抽象度のレベルで動作します：これはチーム横断的なワークフローを調整し、エージェント間で長期メモリを維持し、ソフトウェアデリバリーライフサイクル全体にわたって状態と追跡可能性を管理するコントロールプレーンです。これらは競合関係にあるのではなく、Codexのようなコーディングエージェントは、推論およびコード生成エンジンとしてワーカーエージェント内部で実行することができます。 これは、シスコのプリンシパルソフトウェアエンジニア（ディレクター）であるRenuka Kumar氏と、シスコのシニアエンジニアリングディレクターであるPrashanth Ramagopal氏による寄稿記事です。このブログで表明されている意見は著者の見解であり、シスコの見解ではありません。 ソフトウェア開発は新たなフェーズに入りました。ここではインテリジェントエージェントが孤立したツールではなく、現実のチームを模倣する協調されたエンティティとして機能します。AIの採用が加速するにつれて、焦点は「何が可能か」から「実際に何が無効か」へとシフトしました。要件定義、設計、開発、セキュリティ、テスト、デプロイメント、運用というソフトウェアエンジニアリングのすべての段階は、少なくとも部分的な自動化の対象となり得ますし、エージェントが機能的に連携すれば完全なエンドツーエンドのオーケストレーションをサポートすることさえあります。この目標は、「いかにしてコードをより速く書くか」から「いかにしてソフトウェアをシステム内をより安全かつ迅速に流すか」へと変化します。複数のアジェンティックフレームワークの実験を通じて、私たちは実際に測定可能なインパクトをもたらす実用的なパターンを特定しました。 このブログでは、タスクレベルの実行からシステムレベルの協調へと移行するために設計されたエージェント型エンジニアリング・システムについて説明します。私たちは、LangChainのツールスイート（LangSmithおよびLangGraphを含む）を使用して実装されたマルチエージェント協調フレームワークの参照アーキテクチャとパイロット評価を提案します。このシステムが何ではないかと言えば、「より優れたコーディングAI」でも「より優れたタスクアシスタント」でもありません。このアーキテクチャは、エンドツーエンドのソフトウェア納品に焦点を当てた、マルチエージェント協調のためのコントロールプレーンとして機能するように設計されています。 ## エージェント型エンジニアリングは現実のエンジニアリングを模倣する 私たちの核心的な洞察はシンプルです。 *「最大のステップチェンジは、単により良いツールから来るものではありません。それは現実のチームを模倣するシステムから来るものです。」* エージェント型エンジニアリングの中核には、エンジニアリングチームがソフトウェアを計画し、実行し、納品する方法を模倣するように設計された、インテリジェントなエージェントの協調システムがあります。AIを孤立したアシスタントの集合体として扱うのではなく、このフレームワークはエージェントを**チームメンバー**としてモデル化します。各エージェントには明確な責任、共有されたコンテキスト、そして説明責任が定義されており、軽量ながら強力なリーダーシップレイヤーを通じて調整されます。 このシステムは、マルチエージェント協調のための**ネイティブなコントロールプレーン**を提供し、以下の能力を備えています： - 長期にわたるワークフローを実行する - チーム間で共有可能なエージェントのメモリを保持する - チームの境界をまたいで移動できる、異なる種類のワークフローを連鎖させる - エージェント型ワークフローへの新規チームメンバーのオンボーディングを支援するために、知識共有を促進する - 追跡可能性と監査性を確保するため、エージェント的に実行されたワークフローに対するグローバルな可観測性を実現する ## アーキテクチャ 高レベルでは、このシステムは独立したエンティティとして、あるいはエージェントの群れ（swarm）内の一部として動作することのできる、疎結合なエージェントのシステムです。当社のシステムは、スケーリングに対応可能な2つの補完的な役割で構成されています： - ワーカーエージェント – これらのエージェントは、エンジニアリングチームにおける個人貢献者のデジタルな対応体として機能します。明確に定義された境界内で自律的に動作し、開発、テスト、デバッグ、運用といったエンジニアリングの意図に基づいてタスクを計画し実行します。チームの成熟度や複雑さによっては、デプロイメントには単一のワーカーエージェントが関わる場合もあれば、動的に調整された複数のワーカーエージェントの群れが関わる場合もあります。 ワーカーエージェントは以下の能力を有します： - 推論モデルを用いてユーザーの意図を解釈し、実行可能な計画に変換する。 - ソースリポジトリ、イシュートラッカー、ログなどの内部ナレッジベースといった「記録システム（systems of record）」から必要なコンテキストを取得する。 - ツール、コーディングエージェント、またはカスタム/サブエージェントを通じてワークフローを実行する。 - 正確性と完全性を確保するために結果を検証する。 - 透明性、説明責任、追跡可能性を確保するため、リーダーシップレイヤーに対して計画、行動、結果を報告する。 ワーカーエージェントは意図的に疎結合（loosely coupled）に設計されており、水平方向のスケーリング、新しいワークフローへの適応、そして必要に応じてスワーム内の他のエージェントへタスクを委譲することが可能である。 - リーダーエージェント – これらのエージェントは、プロジェクトリーダーのデジタル版として機能します。これらは、エージェント群全体で調整、統治、共有機能、可視性を提供します。リーダーエージェントは以下の役割を果たします： - ベストプラクティスを標準化し、オンボーディングの摩擦を劇的に低減する、共有のプロンプトおよびワークフローライブラリ。 - ワーカーエージェントに対して承認された機能を一貫性かつ安全に公開する、共通のツールゲートウェイ。 - エージェント群全体の長期記憶。これにより、時間経過に伴う学習と継続的な改善が可能になります。 - エージェントのアクティビティ、意思決定、結果へのグローバルな可観測性。これにより、システムの動作とパフォーマンスに関する洞察が得られます。 - エージェントがいつ、どのように行動するかを決定するオーケストレーション。単に何を生成するかだけでなく、行動のタイミングと方法も制御します。 - 実行と調整を分離することで、このフレームワークはエッジでの自律性を維持しつつ、スケールにおける一貫性を確保します。 以下の図は、アジェンティックエンジニアリングシステムの参照アーキテクチャを示しています。すべてのワーカーエージェントはA2Aプロトコルを介して通信します。ただし、ワーカーエージェントは、MCPラッパーを通じてA2Aをサポートしない他のエージェントとも相互作用する可能性があります。システムと対話するエンジニアは、IDEやCLI、またはGitHubやJiraのアクションを介した外部トリガーなど、好みのインターフェースを通じて意図を表現します。このシステムでは、ワークフローはチームの生産性ニーズに合わせてカスタマイズ可能です。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69e2358c6ef03497e00cafa8_architecture-overview_dark%201%20(1).png) 複数のアジェンティック・フレームワークを評価した結果、本調査ではLangChainのフレームワークを選択しました。これは、アジェンティック・エンジニアリングにおける生産環境での要件への適合性に基づいています。このフレームワークは、ステートフルで協調的、かつガバナンス可能なエージェント・システムの実行モデルであり、現実のエンジニアリングチームを模倣するAIシステムをオーケストレーションするのに適しています。私たちは、長期状態の保存にLangMemの抽象化を利用し、実行トレースのログ記録にはLangSmithを使用しています。これにより、エンドツーエンドの追跡可能性、テレメトリ、およびアジェンティック・ワークフローと成果物のシステム全体の可視性が可能になります。 ## マクロアーキテクチャビュー 以下は、これらのアジェンティック・システムがチーム境界をまたいでどのように機能するかを示す参考図です。エージェントのリーダーは、他のチームのリーダーと協力することができます。例えば、プロダクトマネジメントチームから提出された製品要件は、エンジニアリングチームのリーダーによって適切なワーカーエージェント（スウォーム）にルーティングされ、要件の計画策定と抽出が行われます。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69e235aacaa69e679fd141cf_macro-team-boundary_dark%201.png) ## LangChain を用いた技術的実装 この実装は、LangChain フレームワークのスイートが提供する3つの主要な抽象化概念——制御可能なエージェントオーケストレーションのための LangGraph、エージェントの観測可能性と評価のための LangSmith、長期記憶を通じてエージェントが学習し改善するのを支援するライブラリである LangMem——を組み込み、評価しています。LangGraph の中核となる抽象化概念である「状態を持つノードのグラフ」は、エージェントによって生成された計画に基づいたカスタムワークフローの構築を可能にします。この評価は、アジェンティック・エンジニアリング（Agentic Engineering）を実験環境から安定した本番運用可能なオペレーティングモデルへ移行するための、以下の技術的特性に焦点を当てています： - ステップ、エージェント、リトライ全体で永続化する状態管理およびチェックポイント機能。 - 誰が、いつ、なぜ決定を行ったかを追跡し、事後分析と継続的改善をサポートする監査証跡の提供。 - 外部の記録システムおよび MCP スタイルのツールゲートウェイとのインターフェース互換性。 - エージェントが認可されたアクションを実行していることを保証し、運用リスクを低減する決定論的実行モデル。 - 異なるアジェンティック通信プロトコル、および他のフレームワークを使用して構築されたエージェントとの相互運用性。 ## LangGraph 支援型エージェント実行の使用 ワーカー エージェント間で技術的な問題のデバッグを行い、異なるチームにまたがるコミュニケーションを行うシナリオや、Codex や Claude といった AI コーディング エージェントを活用してワーカー エージェントと共同で開発を行うシナリオなど、エージェント間通信を伴ういくつかのシナリオを探求しました。下図は、後者のシナリオの詳細な例を示しています。この図は、自律的なロジックが存在する AI コーディング エージェントとワーカー エージェント間の相互作用を描いています。ワーカー エージェント内の自律的なロジックは、ほとんどのアジェンティック ワークフローに適用可能な論理的な 4 つの段階の進行に従います。このユースケースは、ワーカー エージェントがソースコードからのコンテキストを超えて文脈を取得し、他のエージェントに通知し、アジェンティックなアクティビティを追跡するためにどのように使用されるかを示しています。 - インテント分析：IDE 内で自然言語としてエンジニアリングの意図を入力すると、そのリクエストはワーカーエージェントに送信されます。この場合、エージェントのワークフローは LangGraph を用いてオーケストレーションされ、MCP ツールを通じて意図の分析と関連コンテキストの取得が行われます。 - 計画策定と通知：コンテキストが確立されると、エージェントは構造化された複数ステップの計画（図中の Step 1 から Step N）を生成します。この計画は、Slack、Teams、Webex などの通信チャネルを通じてエンジニアに通知されます。 - 実行と追跡：計画は、IDE 内の AI コーディングエージェントとの協働により、1 ステップずつ実行されます。エージェントは、LangGraph のチェックポイント機能と状態追跡メカニズムを活用して、実行状態を追跡します。 - 検証と完了：最終ステップでは、実行が完了した後、ワーカーエージェントはメモリにチェックポイントされた状態と一致する計画の実行が行われたことを検証し、ループを閉じます。結果は通信チャネルでの通知としてエンジニアに伝えられ、長期状態として LangMem に保存されます。 AI コーディングエージェントがネイティブな a2a（Agent-to-Agent）機能をサポートしていなかったため、AI コーディングエージェントからのリクエストをワーカーエージェントにルーティングする MCP アダプターツールを構築しました。このアプローチにより、システムは IDE に依存しないものとなっています。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69e23631d69524c90a11974c_worker-agent-flow_dark%201%20(1).png) ## ピロットスタディからの発見と観察 アジェンティック・エンジニアリングの実践的な影響を評価するため、私たちはこのフレームワークを実際の開発、テスト、デバッグのワークフローに適用しました。個々のタスクを最適化するのではなく、エージェントが連携する際に品質を損なうことなくスループットが改善されることを測定し、少なくとも2つのエージェント間の調整を必要とするワークフローを選択しました。開発およびデバッグ・ワークフローのベースラインを作成するため、エンジニアリングチームが集まってユースケースのリストを策定するブートキャンプを実施し、エージェントなしでこれらのワークフローを実行した場合の完了時間を歴史的証拠に基づいて算出しました。私たちは保守的に数値を報告していますが、実際にはさらに大きなGainが得られる可能性があります。 私たちはクロスチームのトリアージと根本原因分析を含む複数のデバッグ・ワークフローを評価し、QAチームによる独立した品質評価を行いました。主要指標として「根本原因特定までの時間」を用いた20以上のワークフローのピロットテストでは、歴史的なデバッグ時間と比較して全体で93%の削減が見られました。複数のクロスチーム調査は、調整されたエージェントの実行により5分以内に完了し、独立したQA評価によって確認されるように品質の低下は測定されませんでした。1ヶ月間に70人の一意のユーザーによって生成された512件のデバッグセッション全体から、クロス協調型アジェンティック・ワークフローを活用することで200人以上時間以上の節約が計算されました。 開発中心のワークフローでは、IDEベースのAIコーディングエージェントとワーカーエージェントを組み合わせました。これは必須ではありませんが、このシステムの主な利点は、バックエンドサービスからプロジェクト固有のコンテキストを取得し、より情報に基づいたコード生成やテストプラン作成を可能にすることでした。また、LangMemで長期状態を維持しつつ計画の責任をワーカーエージェントに移すことでテストを行い、以前のワークフローをインデックス化して再利用できるようにしました。これにより、反復タスクのオンボーディングオーバーヘッドが大幅に削減されました。 15以上の開発ワークフローにおいて、ワーカーエージェントを組み込んだ場合でも、歴史的なベースラインと比較して実行時間が65%以上削減されました。重要なのは、主要な改善点がすでにAIコーディングエージェントが得意とする高速なコード生成だけでなく、PRマージ後の機能テストにおけるダウンストリームワークフローを協調的なエージェント実行によって圧縮することにもあったことです。PRレビュープロセス自体が、ヒューマンインザループによって導入されたボトルネックとなりました。 ## このシステムがAIコーディングエージェントと異なる点 CodexやClaudeのようなAIコーディングエージェントは、ソフトウェア開発を補完するいくつかの新しい機能を提供しています。しかし、これらのエージェントは、ここで説明したアジェンティックエンジニアリングシステムとは根本的に異なる抽象化レベルで動作します。 - Codexクラスモデルは、多くの場合、Worker Agent内に組み込まれているか、ワークフローの構成要素として、推論やコード生成エンジンとして機能しています。 - AIコーディングエージェントは、リポジトリの文脈において意図をコードに変換したり、コードのリファクタリング、説明、デバッグを行うことに優れていますが、ユーザー主導の対話ループ内で動作し、チームをまたぐワークフローの調整能力には限界があります。一方、このアジェンティック・エンジニアリングシステムは、開発者やチームの境界を越えて移動する緩く結合されたエンジニアリングチームのように振る舞うことを明示的に設計されています。 - AIコーディングエージェントとそのサブエージェントは、並列機能を非常に高いパフォーマンスで実行できます。このブログ記事で紹介されたシステムは、LangChainのフレームワークを活用して構築されたもので、ソフトウェアエンジニアリングパイプラインにおいてソフトウェアを迅速に提供するためのエンドツーエンドのアジェンティック・エンジニアリングを調整する明示的なコントロールプレーンです。 ## 結論 Agentic engineering（エージェント型エンジニアリング）は、実際のエンジニアリングチームのように振る舞うAIシステムを中心に業務を再編成し、彼らの得意な分野を活用することで、ソフトウェアの構築方法に根本的な変化をもたらします。私たちの研究から、Agentic engineering の主な影響はタスクの加速という漸進的なものではなく、組織内でのソフトウェアの流通プロセスにおける構造的な変化にあることが示唆されています。これは調整オーバーヘッドの圧縮、チーム間のレイテンシーの削減、コンテキストの共有、そして人間の注力が最も価値を持つ場所の再定義を意味します。LangGraph などのフレームワークは、コラボレーション、メモリ、可観測性を第一級の関心事として扱うことで、この運用モデルを実践的なものとしています。Agentic engineering フレームワークの利点は、エンジニアによる最小限の設定でソフトウェアデリバリーパイプラインへの迅速な参入が可能になる点にあります。エージェントが設定されると、複数のチームがワーカーエージェントを活用して、内部および外部のツールからコンテキストを取得できます。その結果得られるのは、単にコード生成が速くなることではなく、より強靭でスケーラブル、かつ根本的に異なるソフトウェアデリバリーの方法です。 ## 関連コンテンツ ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69e127982faf6124b586b6e4_82.png) Agent Architecture（エージェントアーキテクチャ） Deep Agents（ディープエージェント） Open Source（オープンソース） ## バックグラウンドでのサブエージェントの実行 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69e12735c02bb07c894a067a_hunter-lovell.png) ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69e12775881c2a7fc9aba41e_colin-francis.png) H. Lovell, C. Francis 2026年4月16日 ![image](https://cdn.prod.website-files.com/65b8cd72835ceeacd4449a53/69cd1fd0002272ce39bf1241_Icon-6.svg) 4分 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69e122306b7173e8fad25030_81%20(1).png) LangChain パートナー ## 開発者の最初の10分：Cisco AI DefenseでLangChainエージェントを安全に保護する ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69e0e375654393ca0c125e00_siddhant-dash.png) Siddhant Dash 2026年4月16日 ![image](https://cdn.prod.website-files.com/65b8cd72835ceeacd4449a53/69cd1fd0002272ce39bf1241_Icon-6.svg) 4分 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69d77e612836396625baafec_69--2-.webp) 企業アナウンスメント パートナー ## LangChainとMongoDBのパートナーシップ発表：すでに信頼しているデータベース上で動作するAIエージェントスタック ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69d50051c5c24f19b81fd73a_Group%202147239256-2.svg) LangChainチーム 2026年3月31日 ![image](https://cdn.prod.website-files.com/65b8cd72835ceeacd4449a53/69cd1fd0002272ce39bf1241_Icon-6.svg) 6分 ![image](https://cdn.prod.website-files.com/65b8cd72835ceeacd4449a53/69ce01ea562f8cc223cabf25_Frame%202147254328.svg) ## エージェントの実際の動作を確認する LangSmith は当社のエージェントエンジニアリングプラットフォームであり、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、評価の変更を確認し、ワンクリックでデプロイできるよう支援します。

アジェンティック・エンジニアリング：AIエージェントの群れがソフトウェアエンジニアリングを再定義する方法

背景や根拠まで確認しますか？

関連記事