How to Use RLMs in Deep Agents｜Deep Agents における RLM の活用方法

![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a45048d1529692d7efa564b_100.png) エージェントが蓄積するコンテキストが増えるほど、[context rot](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) と呼ばれる現象によりパフォーマンスが悪化します。MIT CSAIL の [Alex Zhang](https://x.com/a1zhang) 氏らによって提案された再帰型言語モデル（RLM: Recursive Language Models）は、この課題に対処するものです。ターンごとの処理や、情報を失う要約に頼るのではなく、モデルは REPL でコードを実行し、サブエージェントをディスパッチして入力コンテキストの断片に対して再帰的に処理を行います。 **10,000 件の営業通話記録から平均取引規模を見つけるエージェント**を考えてみましょう。ターンごとに処理する場合、モデル自体がコンテキスト内で累積合計を追跡する必要があり、カウントする時間が長くなるほどその合計値にドリフト（ズレ）が生じるリスクがあります。一方、RLM スタイルのエージェントは、オーケストレーションと集計をモデルの一時的なコンテキストウィンドウではなく、コード内に保持します。 [論文](https://arxiv.org/abs/2512.24601) では、RLM はモデルのコンテキストウィンドウの 2 桁以上を超える入力を処理でき、その過程でバニラ（標準的な）エージェントよりも優れたパフォーマンスを発揮することが示されています。私たちは最近、[動的サブエージェント](https://docs.langchain.com/oss/python/deepagents/dynamic-subagents) を用いて [Deep Agents](https://github.com/langchain-ai/deepagents) に RLM のサポートを実装しました。 ## RLM の必要性 RLM（再帰型言語モデル）は、最終的な回答を生成する前に、自分自身や他の大規模言語モデル（LLM）を再帰的に呼び出す言語モデルです。すべてのプロンプトをコンテキストウィンドウに無理やり読み込ませるのではなく、REPL 内で変数としてロードし、その断片を参照・分解・再帰的に呼び出すためのコードを書きます。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a45059bd0a39e686a7b32ac_Screenshot%202026-06-30%20at%2011.20.11%E2%80%AFAM.png) 論文における「コンテキストの劣化（context rot）」に対抗するための最初の仮説は単純なものでした：すべての処理を一つの呼び出しに押し込めるのではなく、モデル呼び出し間で作業を分割することです。 **自然な解決策としては、「コンテキストを 2 つのモデル呼び出しに分け、それらを 3 つ目のモデル呼び出しで結合すれば、この劣化問題を回避できるのではないか」といったようなものが考えられます。私たちはこの直感を基に、再帰型言語モデル（RLM）を構築しました。 これはおよそ、サブエージェントがすでに実行していることでもあります：Deep Agents の [subagents](https://docs.langchain.com/oss/python/deepagents/subagents) はコンテキストを分離し、個別の作業単位を委任し、中間結果をメインのコンテキストウィンドウから外に保ちます。しかし通常のサブエージェントでは、まだモデルが次の行動を 1 つずつ推論するたびに決定する必要があり、数百回の呼び出しや分岐、多段階の作業など、実際の構造化が必要になるとこのアプローチは機能しなくなります。 RLM は、モデルにプログラム操作可能な環境を提供し、大規模データセットで通常使用するのと同じプリミティブ（grep, partition, map, reduce）を利用できます。サブエージェントのプログラムによるオーケストレーションにより、ツールベースのオーケストレーションでは確実に提供できない2 つのことが実現します: - 決定論的カバレッジ。カバレッジはモデルの判断ではなくコードによって保証されます。for b in batches ループは構造的にすべてのバッチを処理しますが、通常のモデルがこのような反復処理を大規模で実行するのは困難です。 - 専用オーケストレーション。パイプラインがコードであるため、タスクが必要とする形状（分岐、並列、逐次など）を自由に取ることができ、モデルがターンごとに確実に実行できる範囲に制限されません。 ## Deep Agents における RLM の動作 Deep Agents は、軽量な [code interpreter](https://docs.langchain.com/oss/python/deepagents/interpreters) を基盤とした [動的サブエージェント](https://docs.langchain.com/oss/python/deepagents/dynamic-subagents) を通じてプログラムによるオーケストレーションをサポートします。ツール呼び出しでターンごとにサブエージェントをディスパッチするのではなく、モデルは短いスクリプトを記述し、コードインタープリタがそれを実行します。典型的な例として、300 ページのドキュメントの各ページに 1 つずつサブエージェントを割り当てるケース: const results = await Promise.all(pages.map(page => task({ description: `Summarize page ${page.number}`, subagentType: "summarizer" }) )); 用語に関する注記。**私たちが構築したものは、論文の形状と完全に一致するわけではありません。** 論文のアプローチはより極端です：プロンプト全体がインタプリタに読み込まれ、直接再帰処理され、再帰呼び出しは独自のツールや状態を持つエージェントではなく、単なる LM（言語モデル）呼び出しとなります。 Deep Agents で説明しているのは、*recursive agents (RA)* に近いものです。これはコードからディスパッチされる、独自のツールアクセスとコンテキストを持つサブエージェントです。私たちが提供しているものに対して RA という用語の方がより正確かもしれませんが、この機能およびアーキテクチャを動機づけたのは間違いなく RLM 論文の設計でした。 RLM 論文では、モデルがこのような環境を得ると、そのモデルが記述するコードはいくつかの傾向に従うことが指摘されています： RLM が実行する一般的なパターンとして、コンテキストをより小さなサイズに分割し、複数の再帰的な LM（言語モデル）呼び出しを実行して回答を抽出するか、この意味マッピングを実行するというものがあります。 [Claude Code のドキュメントにおける動的ワークフロー](https://claude.com/blog/introducing-dynamic-workflows-in-claude-code) では、これらのパターンが 6 つ直接名指しされています：ファンアウトと合成、分類と実行、敵対的検証、生成とフィルタリング、トーナメント、完了するまでループ。これはハーン（枠組み）に関わらず有用な語彙です。 Deep Agents との違いは、オーケストレーターとそれが起動するすべてのサブエージェントが、選択した任意のモデル、あるいは複数のモデルの組み合わせ上で実行可能である点です。特定のモデルファミリーに限定されるわけではありません。コストとパフォーマンスの最適化のために、最先端モデルをオーケストレーターとして用い、GLM 5.2 や Nemotron のようなオープンウェイトのサブエージェントを組み合わせることも可能です。逆に、最先端のサブエージェントをオーケストレーションする形でオープンウェイトのオーケストレーターを用い、深層調査スタイルのワークフローを協調させることもできます。 動的なサブエージェントに関するこれらのパターンは 6 つあり、[Introducing Dynamic Subagents](https://www.langchain.com/blog/introducing-dynamic-subagents-in-deep-agents) および [このウォークスルー動画](https://www.youtube.com/watch?v=5AkdMangfNk) で取り上げています。 ## OOLONG によるベンチマーク プログラムによるオーケストレーションの実態を確認するため、[OOLONG](https://arxiv.org/abs/2511.02817) というベンチマークでテストを行いました。これは長文コンテキスト推論とデータ集約のためのベンチマークであり、回答を得るためには入力内のほぼすべての行を検証する必要があります。 AgNews データセットを OOLONG タスクとして構成し、実験を行いました。数千件の見出しがあり、それぞれに日付とユーザーが紐付けられていますが、目に見えるトピックラベルはありません。質問に答えるには、エージェントが見出しを 4 つのカテゴリ（世界、スポーツ、ビジネス、科学/技術）のいずれかに分類し、セット全体を集約する必要があります。 その後、エージェントは難易度の低い順に以下の 3 つのカテゴリーに属する質問への回答を求められます： 質問タイプ 必要なこと 例 カウント すべての行をスキャンし、カテゴリ別に集計 世界ニュースの見出しはいくつあるか？ ユーザー ユーザーでフィルタリングしてから集計 ユーザー 72341 の場合、科学・技術分野の見出しはいくつあるか？ 時間的 日付でフィルタリングしてから集計 2004 年 8 月以前では、スポーツニュースは世界ニュースよりも一般的だったか？ これは包括的なベンチマークではなく、概念実証として実行しました：* コンテキスト長 評価仕様 REPL なし REPL あり 64k トークン 21 の例 × 5 回の実行 0.58 0.67 128k トークン 19 の例 × 3 回の実行 0.44 0.79 *スコアは、OOLONG の評価基準（カテゴリ回答の場合は完全一致、数値回答の場合は部分的な加点）を用いて AgNews 質問セット全体で平均化されたものです。採点範囲は 0 から 1 です。数値回答の採点は 0.75^|真値 - 予測値| で行われるため、1 つずれていれば 0.75 のスコアとなり、10 ずれていれば約 0.06 に近づきます。 64k トークンの場合、両方のエージェントは概ね同程度の性能を示しており、通常のエージェントもほぼ追いついています： ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a4506f2d0a39e686a7c41dd_Screenshot%202026-06-29%20at%207.53.20%E2%AF%80AM.png) *64k トークンの場合、単純なエージェント（左）のスコアは 0.58 に対し、RLM 対応型エージェント（右）は 0.67 を記録し、トークン数とコストは同等です。これは、よりシンプルなアプローチでも依然としてほぼ追いつける領域です。ただし、単純なエージェントのレイテンシは RLM 対応型に比べて明らかに低いです。*128k トークンの場合、結果は崩壊し始めます。微妙に間違った回答をするのではなく、完全に諦めてしまい、「計算できない」または「ブロックされている」と告げることになります。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a45070ad56cf7ca07398fa8_Screenshot%202026-06-24%20at%208.06.31%E2%80%AFPM%20(1).png) この差はデータにおいても明確です。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a45071a95887e2d6fbb524f_Screenshot%202026-06-29%20at%207.55.33%E2%80%AFAM.png) *128k トークンの場合、単純なエージェント（左）のスコアは 0.44 に低下する一方、RLM 対応型エージェント（右）は 0.79 を達成します。RLM 対応型エージェントは確かに処理速度が遅くなりますが、実際には使用するトークン数が少ないにもかかわらず、出力トークンのコストが高いため、全体のコストは高くなります。*なお、本テストでは OOLONG ワークロードの最適化は行いませんでした。これは、タスク固有のプロンプティングを一切施さないベースのハーンネス（基盤枠組み）が、長文コンテキストの問題をそもそも処理できるかどうかを検証するための煙出しテスト（初期検証）です。実際には、これらの数値は RLM の潜在能力を過小評価している可能性が高いと予想しています。 ## Deep Agents の始め方 動的サブエージェントには、作業を割り当てるための [subagents](https://docs.langchain.com/oss/python/deepagents/subagents) と、モデルがオーケストレーションコードを書き実行するための安全で軽量なランタイムである [code interpreter](https://docs.langchain.com/oss/python/deepagents/interpreters) の 2 つが必要です。Deep Agents にはこれら両方が同梱されています。QuickJS ミドルウェアをインストールし、CodeInterpreterMiddleware を [create_deep_agent](https://docs.langchain.com/oss/python/deepagents/quickstart) に渡してください: pip install -U "deepagents[quickjs]" from deepagents import create_deep_agent from langchain_quickjs import CodeInterpreterMiddleware agent = create_deep_agent( model="openai:gpt-5.5", middleware=[CodeInterpreterMiddleware()], ) Deep Agents には、すぐに使える汎用サブエージェントが含まれていますが、特定のタスクに特化した [カスタムサブエージェント](https://docs.langchain.com/oss/python/deepagents/subagents#custom-subagents) を設定することもできます。それぞれ固有の名前、説明、システムプロンプトを持ちます。オーケストレーションスクリプトは、作業に適したサブエージェントへ割り当てることができます。 "workflow" という単語でプロンプトを入力すると、動的サブエージェントがトリガーされます: result = await agent.ainvoke({ "messages": [{"role": "user", "content": "src/routes/ のすべてのファイルをレビューし、主要なリスクを要約するワークフローを実行してください。"}] }) セットアップなしですぐに試す最も速い方法は、ターミナルコーディングエージェントである dcode です。コードインタープリタがすでに有効になっている状態で提供されるので、インストールしてワークフローを要求するだけです。 curl -LsSf https://langch.in/dcode | bash dcode ## 関連コンテンツ ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a43cc5767154e5584cb825f_dark-57%20characters%20max.png) エージェントアーキテクチャ Deep Agents オープンソース ## サンドボックスなしで信頼できないエージェントコードを実行する ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69e12735c02bb07c894a067a_hunter-lovell.png) Hunter Lovell 2026 年 6 月 30 日 分 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a4293b98a5fbb8e632a9116_98.png) オープンソース Deep Agents エージェントアーキテクチャ ## Deep Agents における動的サブエージェントの紹介 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69dcee60745f0e15b18ad4d5_sydney-runkle.png) ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69e12775881c2a7fc9aba41e_colin-francis.png) ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69e12735c02bb07c894a067a_hunter-lovell.png) S. Runkle, C. Francis, H. Lovell 2026 年 6 月 29 日 9 分 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a3e6581ba3e85f557ce03f8_Frame%202.png) Deep Agents Open Source ## Deep Agents によるプロンプトキャッシング ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a3e65a4b54e1ed97f77c655_me.jpeg) Alex Olsen 2026 年 6 月 26 日 5 分 ## エージェントが実際に何をしているかを確認する LangSmith は、開発者がエージェントのすべての意思決定をデバッグし、変更の評価を行い、ワンクリックでデプロイできるためのエージェントエンジニアリングプラットフォームです。

Deep Agents における RLM の活用方法

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト