Rippling が Deep Agents と LangSmith を活用し、6 ヶ月で本番環境の AI を構築した方法

## 6 ヶ月で Deep Agents と LangSmith を活用し、すべての製品に AI ネイティブを実現した Rippling の取り組み ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a10dc86325daf4bdd2af44b_rippling-ai-native.png) ## 主要なポイント - Rippling は、膨大なオントロジー（概念体系）にわたって推論できる AI を必要としていました。そのデータモデルは、人事、IT、給与計算、財務、グローバル運営にまたがる数千のテーブルと重複する概念を有しています。 - Deep Agents が Rippling AI のマルチエージェントアーキテクチャを支えています。スーパーバイザーエージェントが、専門的な読み取りエージェント、RAG（検索拡張生成）、およびアクションエージェントを調整し、質問への回答、文脈の取得、ワークフローの実行を行います。 - LangSmith は、本番環境でのデバッグと評価をサポートします。Rippling はトレース、階層化された評価、半自動の自己修復ループを活用して、回帰を検出し、システム品質を時間とともに向上させています。 [Rippling](https://www.rippling.com/) は、オンボーディングや福利厚生からデバイスプロビジョニング、支出管理までを包括的に管理するワークフォース管理プラットフォームです。そのデータモデルは人事、IT、給与計算、財務、グローバル運営にまたがり、数千のテーブルと数十万のフィールドを持ち、ドメイン間で同じ名称を持つ概念も存在します。これらすべてにわたって推論できる AI レイヤーを構築するには、新たなアーキテクチャが必要でした。 *Rippling AI* は現在、世界中で数百万人のユーザーに本番環境として展開されており、LangChain の Deep Agents と LangSmith を基盤としています。チームは約 6 ヶ月でこれをリリースしました。 ## 問題：巨大なオントロジーにおけるドメイン横断型 AI Rippling のユーザーは、多くの分野にわたって多様な質問を投げかけます。「残高はいくらか？」という質問は、健康貯蓄口座、クレジットカード、請負業者への支払い口座、さらには休暇ポリシーにも関連し得るものです。マネージャーが人員数について尋ねた後、支出分析へと話題を変え、新規採用者のデバイスプロビジョニング状況を確認することもあります。Rippling の AI レイヤーは、巨大で不定形な領域全体にわたって曖昧さを解消し、効果的に推論する能力を備えている必要があります。 データモデルがそれを困難にしていました。数千のテーブルとドメイン間で重複するエンティティ名が存在するため、スキーマチャンクを大規模言語モデル（LLM）に渡すだけでは機能しません。チームは、コンテキストに飲み込まれることなく迅速にドメイン横断的な推論を行えるアーキテクチャを必要としていました。 ***私たちが AI を個別の製品に組み込んでいくにつれ、サイロ化された垂直特化型モデルではスケーリングできないことが明確になりました。Rippling のデータモデルは、HR（人事）、IT、財務、グローバルオペレーションにまたがる数千のテーブルを跨ぎ、文脈によって全く異なる意味を持つ重複するエンティティや共有概念を含んでいます。私たちは、特定のドメインに最適化するのではなく、このオントロジー全体で曖昧さを解消し動作できる AI ネイティブな推論レイヤーが必要でした。*— Laks Srini, Rippling AI プロダクトオーナー Rippling が AI エージェントをこれほど高速に統合できたのは、チームが最初から LangChain を構築し、コンポーザブルなエージェントのプリミティブと LangSmith 内の共有観測レイヤーを活用していたからです。Deep Agents のローンチ時には、Rippling AI の中核となる推論ループとしてこれを採用しました。 「Deep Agents が登場した瞬間、これが私たちのためにどれほど強力なアジェンティックな推論ループを提供できるかを確認したかったのです。これは私たちが築いてきた関係性と信頼してきた技術の自然な延長線上にあるものです。」— Sahin Olut 氏（Rippling AI 主任エンジニア） 彼らが採用したアーキテクチャは、5〜7 の専門的なサブエージェントを調整するスーパーバイザー・エージェントであり、LangSmith がトレーシング、評価、および本番環境のモニタリングを担当しています。 ## 仕組み：Deep Agents によるマルチエージェントシステム 顧客は Rippling ポータルおよびモバイルアプリ内のチャットインターフェースを通じて Rippling AI と対話しますが、単なるテキスト入力ボックスを超えた機能を持っています。構造化データはソート可能でフィルタ可能なテーブルとしてレンダリングされ、多肢選択式の明確化は選択用 UI として表示されます。アクション確認には専用のインタラクションパターンが用意されています。 裏側では、Rippling AI はマルチエージェントシステムです。スーパーバイザー・エージェントの下に、3 つ種類の専門的な Deep Agents が配置されています。 - リップリングの全製品領域（HR、給与計算、IT、財務）および Salesforce、Carta、GitHub といった接続プラットフォームにまたがる構造化データをエージェントが照会します。 - RAG エージェントは、未構造化ソースから情報を取得します。これには、リップリング内でホストされているヘルプセンターのドキュメント、従業員ハンドブック、人事ポリシー文書が含まれます。 - アクションエージェントは、リップリング内での書き込み操作を実行します。例えば、ボーナスのアップロード、役職名とレベル構造の正規化、または既存の従業員プロファイルから事前入力された新規採用者のトリガーなどが該当します。 スーパーバイザーエージェント**は最上位に位置し、主要な推論ループを運用して、着信する照会内容を分析し、どの専門エージェント（またはその組み合わせ）を呼び出すかを決定します。 ## コンテキストエンジニアリング：最も困難な課題 リップリングの複雑さとスケールにおいて、コンテキストエンジニアリングが中核的な技術的課題でした。チームはこれを解決するために 3 つのパターンを開発しました。 **動的スキル注入** リップリングでは、Deep Agents [ミドルウェア](https://docs.langchain.com/oss/python/langchain/middleware/built-in) を使用してコンテキストの肥大化を抑制しています。ユーザーが質問をすると、検索ステップでまずリップリングのセマンティック層を用いて関連するドメインを特定し、その後、そのドメインにスコープされたスキル（給与計算、デバイス、ATS、支出など）を注入します。再ランク付け器が積極的に剪定を行うことで、コンテキストサイズを 100 倍から 500 倍削減しています。 ***全体を文脈に含め、その一部であってもコンテキストウィンドウに収めることはできず、Rippling の顧客が期待する時間枠内では不可能です。*** — Sahin Olut, Principal Engineer **書き込み操作のためのコード実行** LLM に直接データを操作させるのではなく、Rippling のアクションエージェントはサンドボックス化されたコード実行を使用して、入力（例えばクライアントからの CSV ファイルなど）を Rippling の内部ツールが期待する形式に正規化します。これにより、「何をすべきか」（LLM の推論）と「どのようにフォーマットするか」（決定論的なコード）を分離し、データの正規化の信頼性と監査可能性を維持しています。 **REPL による変数の固定** チームが得た最も鋭い洞察の一つは、LLM が長い英数字 ID を暗記する際に幻覚を起こす様子を観察したことです。その解決策として、REPL（対話型実行環境）がエージェントのステップ間でランタイム変数ストアを維持します。エージェントはツール呼び出し間で生のエンティティ文字列を渡すのではなく、名前付き変数を参照します。 ## LangSmith を用いた観測性と評価 すべてのエンジニアが単一の AI システムに取り組んでいるため、共有されクエリ可能なトレースストアは、チームの協働において不可欠です。 *大規模なすべての会話を引き出して分析する能力…LangSmith がそれを可能にします。その上には一連の自動分析が稼働しています。* — Laks Srini, Product Owner ## 自己修復評価ループ チームは、回帰を検出し解決するための半自動ループを構築しました。まず、LangSmith から失敗したプロダクションのトレースを取得します。エージェントがその失敗を分析し、修正策を提案して評価を再実行し、改善を確認するまで反復処理を行います。最後に、人間が結果として生成されたプルリクエスト（PR）を検証してマージします。 *失敗したトレースを取得し、エージェントに状況を理解させ、いくつかの解決策を提案させ、評価を再度実行して改善されるか確認し、完了するまでループさせます。LangSmith がこれを可能にしているのは、システムのあらゆる地点に API が存在するためです。* — Sahin Olut, プリンシパルエンジニア ## 評価パイプライン チームは多層化された評価システムを実行しており、すべての結果は LangSmith にアップロードされます： - オフライン評価：外部依存関係なしで各コミットごとにローカルで実行される、事前に記録されたモックとフィクスチャ。 - マージ後の統合評価（オンライン）：デプロイ前にシステムの健全性を検証するため、完全な Rippling サンドボックスに対して 300〜400 クエリを実行（生 API 呼び出し）。 - デプロイ阻止型評価（オンライン）：すべてのデプロイをゲートする、実システムに対する約 10 の重要なシナリオ。 - 継続的評価（オンライン）：生産環境データに対して毎日複数回スケジュール実行され、ライブシステムの健全性を監視。 ## 今後の展望：LangSmith を活用した継続的改善 世界中で 100 万人以上が Rippling AI を利用しています。すべての会話は LangSmith を経由し、品質追跡、ユーザーフィードバック、そして改善のための継続的なループに貢献します。 複雑で権限管理が必要なプラットフォーム上で AI を構築するチームに対して、Rippling チームのアドバイスは明確です。 *LLM がすでに慣れ親しんでいるシステムを構築してください。エージェントを同僚と捉え、彼らが成功するための最良のツールを整備しましょう：コード実行を有効にし、SQL 記述を可能にし、LLM から詳細を隠さないこと。そして、自己デバッグループを厳密に保ってください。* — Sahin Olut, プリンシパルエンジニア *Deep Agents は Rippling AI の背後にある推論フレームワークです。*[仕組みを見る](https://www.langchain.com/deep-agents) | *[ドキュメントを読む](https://docs.langchain.com/oss/python/deepagents/overview) ## 関連コンテンツ ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a0f309a0e77b5e3544965e5_Lyft-customer-support-blog.png) 事例研究 LangGraph LangSmith チュートリアルとハウツーガイド ## LangGraph と LangSmith を活用した Lyft の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構築法 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a0f35862276d228fb60ba48_akshay-sharma.jpeg) Akshay Sharma 2026 年 5 月 27 日 10 分 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69efb41ab2584d1733d866c5_case-study-madrigal.png) 事例研究 ## LangChain と LangSmith を活用した Madrigal の医薬品向け柔軟かつスケーラブルなマルチエージェント研究・インテリジェンスプラットフォーム構築法 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69efba6c52ebbc1e377743b4_Parth.png) ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69efba87c585b65247366c20_Ron.png) P. パテル、 R. フィリッポ 2026 年 4 月 29 日 11 分 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69e251cee3c69c0b64e26c79_case-study-16_9%20(1).png) ケーススタディ LangSmith（ラングスミス） ## Insights エージェントを活用して AI 財務アシスタントを改善した Credit Genie の事例 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69e251111d491175462a384c_david-li.png) ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69e25199461e789ce4b875a7_jeffrey-ngai.png) ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69e2518d5b449e720f9f295a_goyo-lozano-palacio.png) ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69e2515f9f57e45d15dbd331_charles-yuan.png) D. リー、 J. ンガイ、 G. ロサノ・パラシオ、 C. ユアン 2026 年 4 月 20 日 5 分 ## エージェントの実際の動作を確認する LangSmith は、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、変更の評価を行い、ワンクリックでデプロイできるように支援します。

Rippling が Deep Agents と LangSmith を活用し、6 ヶ月で本番環境の AI 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