Deep Agentsを使用したマルチエージェントアプリケーションの構築

![image](https://blog.langchain.com/content/images/2026/01/Multi-Agent-Apps.png) Sydney Runkle と Vivek Trivedy による 複雑なタスクを専門的なエージェントに分担させることは、能力の高い AI システムを構築するための最も効果的なアプローチの一つです。 Deep Agents は、以下の二つのファーストクラスプリミティブ（第一級構文要素）によってこれを容易に実現します： サブエージェント：孤立したエージェントへの委任 スキル：段階的に機能を開示する機能 本記事では、Deep Agents を用いてマルチエージェントシステムを構築する方法をご紹介します。 サブエージェントの使用：専門的で孤立したワーカー サブエージェントは、エージェント工学における根本的な問題である「コンテキストの肥大化」に対処します。これは、タスクに取り組む過程でエージェントのコンテキストウィンドウがほぼ満杯になってしまう現象です。 なぜこれが重要なのかというと、Chroma による「コンテキストローテーション（文脈の劣化）」に関する優れた研究により、モデルはコンテキストウィンドウが埋まってくるとタスクを完了できなくなることが示されています。HumanLayer の友人たちは、この高コンテキスト状態を「知能低下ゾーン」と呼んでいます。サブエージェントは、メインエージェントからコンテキストを隔離することで、素早くこの知能低下ゾーンに陥るのを防ぎます。 エージェントが数十回のウェブ検索やファイル読み込みを行うと、コンテキストウィンドウには中間結果で埋め尽くされてしまいます。サブエージェントは独自のコンテキストウィンドウで動作させることで作業を隔離します。したがって、最終回答に至るまでに多くの探索的作業を行う必要がある場合でも、メインエージェントに渡されるのは最終結果のみであり、それを生み出した 20 のツール呼び出しの詳細は伝わりません。 以下が基本的なサブエージェントのアーキテクチャです： ![image](https://blog.langchain.com/content/images/2026/01/image--9--1.png)サブエージェントの活用タイミング 文脈の維持：複数のステップを要するタスクは、メインエージェントのコンテキスト（例：コードベースの探索）を混乱させる可能性があります。 専門化：ドメイン固有の指示やツールを使用します。異なるチームが開発したサブエージェントは、それぞれ異なる垂直領域に特化できます。 マルチモデル：サブエージェントは、メインエージェントとは異なるモデルを使用できます。例えば、低遅延を実現するために小規模なモデルを選択するなどです。 並列処理：サブエージェントは同時に実行され、その出力をメインエージェントに返すことができます。これにより遅延が削減されます。 サブエージェントの作成 サブエージェントを辞書として定義し、create_deep_agent() に渡します： from deepagents import create_deep_agent research_subagent = { "name": "research-agent", "description": "Used to research more in depth questions", "system_prompt": "You are a great researcher", "tools": [internet_search], "model": "openai:gpt-4o", # Optional: override main agent model } agent = create_deep_agent( model="claude-sonnet-4-5-20250929", subagents=[research_subagent] ) 設定の詳細については、サブエージェントのドキュメントをご覧ください。 汎用サブエージェント Deep Agents には、メインエージェントの機能を模倣する組み込みの汎用サブエージェントが含まれています。このサブエージェントは、同じシステムプロンプト、ツール、モデルを共有します。これは、専門的な動作を持たずにコンテキストを分離したい場合に最適です。 例：メインエージェントが 10 回の Web 検索を実行してコンテキストを埋めるのではなく、汎用サブエージェントに委任できます。具体的には task(name="general-purpose", task="Research quantum computing trends") のように指定し、サブエージェントは内部で全ての検索を行い、要約のみを返します。 サブエージェントのベストプラクティス 明確な記述を作成してください。メインエージェントはこの記述を用いて、どのサブエージェントを呼び出すかを決定します： ✅ 良好例："財務データを分析し、信頼度スコア付きで投資洞察を生成する" ❌ 不良例："金融関連の作業を行う" システムプロンプトは詳細に記述してください。ツールの使用ガイダンスと出力形式の要件を含めます： research_subagent = { "name": "research-agent", "description": "Web 検索を用いて深入りした調査を行い、知見を統合する", "system_prompt": """あなたは徹底的な研究者です。あなたの役割は以下の通りです： 1. 調査質問を検索可能なクエリに分解する 2. internet_search を使用して関連情報を検索する 3. 包括的かつ簡潔な要約として知見を統合する 4. 主張を行う際は出典を明記する 出力形式： - 要約（2〜3 パラグラフ） - 主要な発見事項（箇条書き） - 出典（URL 付き） コンテキストを清潔に保つため、応答は 500 語以内に抑えてください。""", "tools": [internet_search], } ツールセットを最小限に抑えてください。サブエージェントには必要なツールのみを与えます： # ✅ 良好例：焦点を絞ったツールセット email_agent = { "name": "email-sender", # メール関連のみに限定 "tools": [send_email, validate_email], } # ❌ 悪い例：ツールが多すぎる email_agent = { "name": "email-sender", # 焦点が定まっていない "tools": [send_email, web_search, database_query, file_upload], } スキルを活用する：機能の段階的開示（Progressive Disclosure of Capabilities） スキルは、段階的開示という異なるパターンを提供します。エージェントに最初から数十個ものツールを与えるのではなく、SKILL.md ファイルの中で専門的な機能を定義します。エージェントはスキルの名前と説明だけを見て、必要に応じて初めて完全な指示を読み込みます。 ![image](https://blog.langchain.com/content/images/2026/01/image--10--1.png)スキルの説明はコンテキストウィンドウに事前に読み込まれています。スキル本体がロードされるのは、エージェントが説明と以前の文脈に基づいてそのスキルが必要だと判断した時だけです。 キャプション：スキルの説明はコンテキストウィンドウに事前に読み込まれており、スキル本体はエージェントが説明と以前の文脈に基づいてそのスキルが必要だと判断した時にのみロードされます。 スキルの設定 スキルは agentskills.io の仕様を使用します。以下はその構造です： .deepagents/skills/ ├── deploy/SKILL.md └── review-pr/SKILL.md 各 SKILL.md ファイルには、メタデータを含む YAML フロントマターとメインの本文が含まれています： --- name: deploy description: Deploy to production version: 1.0.0 # Optional tags: [deployment, production] # Optional --- # プロダクションへのデプロイ ユーザーがデプロイを要求した場合は、以下の手順に従ってください： 1. テストを実行する：`npm test` 2. アプリケーションをビルドする：`npm run build` 3. プロダクションにデプロイする：`npm run deploy:prod` 4. デプロイを検証する：ヘルスチェックエンドポイントを確認する 本番環境へのデプロイを行う前には、必ずユーザーの確認を得てください。 エージェントにスキルを追加する create_deep_agent 関数の skills 引数を使用して、ファイルシステムからスキルを読み込むことができます： from deepagents import create_deep_agent from deepagents.backends import FilesystemBackend agent = create_deep_agent( model="claude-sonnet-4-5-20250929", backend=FilesystemBackend(root_dir="/"), skills=[".deepagents/skills"], ) これでエージェントはあなたのスキルを認識します。詳細な指示が必要な場合、エージェントは SKILL.md ファイル全体を読み込みます。 StateBackend や StoreBackend などの他のバックエンドを使用することもでき、その場合はファイル仕様を指定してエージェントを呼び出します： from deepagents.middleware.filesystem import FileData # デフォルトのバックエンドは StateBackend です agent = create_deep_agent( model="anthropic:claude-sonnet-4-20250514", skills=["/skills/"], ) skill_content = """ --- name: deploy ... """ # スキルと仮想ファイルを使用してエージェントを呼び出す result = agent.invoke({ "messages": [HumanMessage(content="Research the latest Python releases")], "files": { "/skills/web-research/SKILL.md": FileData( content=skill_content.split("\n"), created_at="2024-01-01T00:00:00Z", modified_at="2024-01-01T00:00:00Z", ), }, }) 適切なパターンの選択 以下に、ガイドとなる簡単な質問リストを示します： ～する必要がある場合 ～を使用してください 両方とも？ 複雑で多段階の作業を委任する場合 コンテキスト分離のためのサブエージェント（Subagents） 手順や指示の再利用 段階的開示のためのスキル 特定のタスクに特化したツールの提供 焦点を絞ったツールセットを持つサブエージェント ✅ 複数のエージェント間で機能を共有 スキル（単なるファイルです） ✅ 大規模なツールセットとの連携 トークンの肥大化を防ぐためのスキル  なお、これは二者択一の選択である必要はありません。 多くのシステムでは両方を併用しています。スキルは手順を定義し、サブエージェントは複雑な多段階の作業を実行します。あなたのサブエージェントは、コンテキストウィンドウを効果的に管理するためにスキルを利用できます！ 次のステップ Deep Agents におけるマルチエージェントパターンについてさらに詳しく知りたい場合は、以下のドキュメントをご覧ください。 サブエージェントのドキュメント - 詳細な API リファレンスと例 スキルのドキュメント - 詳細な API リファレンスと例 マルチエージェントパターンのガイド - パターン選択に関する一般的なガイダンス 重要な洞察：マルチエージェントパターンは複雑である必要はありません。適切な抽象化（配管用のミドルウェア、呼び出しのためのツール呼び出し）があれば、それらは機能する高度なシステムに組み立てられる単純なビルディングブロックになります。 コンテキスト管理のためにサブエージェントから始め、段階的開示のためにスキルを追加し、そこから構築を進めてください。

Deep Agentsを使用したマルチエージェントアプリケーションの構築

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