AIエージェントが大規模言語モデルから最良の結果を得るための検索を支援

プレスお問い合わせ 連絡先: クローズ ![](/sites/default/files/styles/news_article__image_gallery/public/images/202602/encompass2-mit-00.png?itok=N3DkpjXl) キャプション: EnCompassがプログラムを実行する際、LLMがミスを犯した場合には自動的にバックトラックします。また、プログラムのランタイムを複製して、最良の解決策を探すために複数の試行を並列で行うことも可能です。 クレジット: 画像: Alex Shipps/MIT CSAIL 前の画像 次の画像 研究者が研究アイデアをブレインストーミングするにせよ、CEOが人事や財務のタスクを自動化したいと望むにせよ、人工知能ツールは、自分が必要とさえ知らなかったアシスタントになりつつあります。特に、多くの専門家が、AIエージェントと呼ばれる半自律的なソフトウェアシステムの能力を活用しています。これは、問題解決やタスク完了のために特定のポイントでAIを呼び出すことができるものです。AIエージェントは、大規模言語モデル（LLM）を利用する場合に特に効果的です。なぜなら、それらのシステムは強力で効率的、かつ適応性が高いからです。このような技術をプログラムする一つの方法は、システムに何をしてほしいか（「ワークフロー」）、そしてLLMをいつ使用すべきかをコードで記述することです。もしあなたが、より最適化と安全性のために、古いコードベースをより現代的なプログラミング言語を使用するよう刷新しようとしているソフトウェア会社なら、LLMを使ってコードベースを一度に一つのファイルずつ翻訳し、各ファイルをテストしながら進めるシステムを構築するかもしれません。しかし、LLMがミスを犯したらどうなるでしょうか？エージェントには、過去のミスから学んだ教訓を活かして、別の試みを行うためにバックトラックしてほしいでしょう。これをコード化するには、元のエージェントを実装するのと同程度の労力がかかります。もしコードベースを翻訳するシステムが何千行ものコードを含んでいれば、LLMがミスをしたときのバックトラックのロジックをサポートするために、何千行ものコード変更や追加を行うことになるでしょう。 プログラマーの時間と労力を節約するために、MITのコンピュータ科学・人工知能研究所（CSAIL）およびAsari AIの研究者たちは、「EnCompass」というフレームワークを開発しました。 EnCompassを使えば、これらの変更を自分で行う必要はもうありません。代わりに、EnCompassがあなたのプログラムを実行するとき、LLMがミスを犯せば自動的にバックトラックします。EnCompassはまた、プログラムのランタイムを複製して、最良の解決策を探すために複数の試行を並列で行うこともできます。完全に一般化して言えば、EnCompassは、すべてのLLM呼び出しの異なる可能な出力結果に起因してあなたのエージェントが取り得る、異なる可能な経路を検索し、LLMが最良の解決策を見つける経路を探します。そして、あなたがしなければならないのは、バックトラックしたりプログラムランタイムを複製したりしたい可能性のある場所に注釈を付け、さらに、エージェントの異なる可能な実行経路を検索するために使用される戦略（検索戦略）に有用な情報を記録することだけです。その後、検索戦略を個別に指定できます。EnCompassが提供する既製の戦略を使うことも、必要に応じて独自のカスタム検索戦略を実装することもできます。 「EnCompassでは、AIエージェントの基礎となるワークフローから検索戦略を分離しました」と、筆頭著者でMIT電気工学・コンピュータ科学（EECS）の博士課程学生、CSAIL研究員、Asari AIのリサーチコンサルタントでもあるZhening Li ’25, MEng ’25は言います。「私たちのフレームワークは、プログラマーがさまざまな検索戦略を簡単に試して、AIエージェントのパフォーマンスを最高にする戦略を見つけられるようにします。」 EnCompassは、LLMを呼び出すPythonプログラムとして実装されたエージェントに使用され、顕著なコード削減を示しました。EnCompassは、コードリポジトリを翻訳するエージェントやデジタルグリッドの変換規則を発見するエージェントなどにおいて、検索を実装するためのコーディング作業を最大80％削減しました。将来的には、EnCompassは、大規模なコードライブラリの管理、科学実験の設計と実行、ロケットやその他のハードウェアの設計図の作成など、大規模なタスクにエージェントが取り組むことを可能にするかもしれません。 エージェントをプログラミングする際、結果が変動する可能性のある特定の操作（LLMへの呼び出しなど）に印を付けます。これらの注釈は「分岐点」と呼ばれます。もしあなたのエージェントプログラムが物語の単一の筋書きを生成すると想像するなら、分岐点を追加することは、その物語を「自分で選ぶアドベンチャー」ゲームに変えることです。分岐点は、筋書きが複数の将来の筋書きに分岐する場所です。 その後、EnCompassがその物語ゲームをナビゲートし、可能な限り最良の結末を探すために使用する戦略を指定できます。これには、実行の並列スレッドを起動したり、行き詰まったときに前の分岐点にバックトラックしたりすることが含まれます。ユーザーはまた、EnCompassが提供するいくつかの一般的な検索戦略をそのままプラグアンドプレイで使用したり、独自のカスタム戦略を定義したりできます。例えば、探索と活用のバランスを取りながら探索木を構築するモンテカルロ木探索や、各ステップで最良の数個の出力を保持するビームサーチを選択できます。EnCompassは、タスクを成功裏に完了する可能性を最大化する最良の戦略を見つけるために、異なるアプローチを簡単に試すことを可能にします。 EnCompassのコーディング効率 では、エージェントプログラムに検索を追加する際のEnCompassのコード効率はどれほどなのでしょうか？研究者たちの調査結果によると、このフレームワークは、プログラマーがエージェントプログラムに検索を追加するために追加する必要があったコード量を大幅に削減し、最良のパフォーマンスを発揮する戦略を見つけるために異なる戦略を試すのを助けました。例えば、研究者たちはEnCompassを、アプリや企業ソフトウェアのプログラミングによく使われるJavaプログラミング言語からPythonへのコードリポジトリ翻訳エージェントに適用しました。その結果、EnCompassによる検索の実装（主に分岐点注釈と各ステップの良し悪しを記録する注釈の追加を含む）は、手動で実装するよりも348行少ないコード（約82％削減）で済むことを発見しました。また、EnCompassが異なる検索戦略を簡単に試すことを可能にし、最良の戦略が二段階のビームサーチアルゴリズムであることを特定したことも示しました。これは、検索を行わないエージェントが行うLLM呼び出しの16倍の検索予算で、5つの異なるリポジトリにわたって15％から40％の精度向上を達成しました。 「LLMが日常的なソフトウェアのより不可欠な部分になるにつれて、その長所を活用し、限界を回避するソフトウェアを効率的に構築する方法を理解することがより重要になります」と、共著者でMITのEECS教授およびCSAIL主任研究員であるArmando Solar-Lezamaは言います。「EnCompassはその方向への重要な一歩です。」 研究者たちはさらに、EnCompassは、プログラムが高レベルのワークフローのステップを指定するエージェントを対象としていると付け加えています。彼らのフレームワークの現在のイテレーションは、LLMによって完全に制御されるエージェントにはあまり適用できません。「それらのエージェントでは、ステップを指定するプログラムを持ち、その後LLMを使ってそれらのステップを実行する代わりに、LLM自体がすべてを決定します」とLiは言います。「基礎となるプログラム的なワークフローがないので、LLMがその場で発明するものに対して推論時の検索を実行できます。この場合、検索とバックトラックでプログラムの実行方法を変更するEnCompassのようなツールの必要性は低くなります。」 Liと彼の同僚たちは、EnCompassをAIエージェントのより一般的な検索フレームワークに拡張することを計画しています。また、企業を含む実世界での使用に向けて洗練させるために、より複雑なタスクで彼らのシステムをテストする予定です。さらに、EnCompassが、ハードウェア設計のブレインストーミングやはるかに大規模なコードライブラリの翻訳などのタスクで、エージェントが人間と協力するのをどれだけよく助けるかを評価しています。今のところ、EnCompassは、人間がAIエージェントをより簡単に調整し、そのパフォーマンスを向上させることを可能にする強力な構成要素です。 「AI駆動のエージェントと検索ベースの技術がソフトウェアエンジニアリングのワークフローを変え始めているちょうどその時、EnCompassはタイムリーに登場します」と、この研究に関与していないカーネギーメロン大学のYiming Yang教授は言います。

AIエージェントが大規模言語モデルから最良の結果を得るための検索を支援

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

背景や根拠まで確認しますか？

関連記事

ニュースの次に確認する

調べる

選ぶ

サイト