LangChain、Deep Agents と LangSmith で企業デューデリジェンスを自動化

Deep Agents、LangSmith、Parallel を活用した企業デューデリジェンスエージェントの構築

.png)

*エージェント型オーケストレーションと構造化されたウェブインテリジェンスを活用し、多段階の企業調査を自動化する。*

‍

企業デューデリジェンスは、金融業界のあらゆる場面で頻繁に発生するワークフローです。プライベート・エクイティ（PE）のアナリストが投資案件をスクリーニングし、銀行の与信チームが借入先の審査を行い、コンプライアンス担当者が新規法人のオンボーディングを実施し、保険の引受担当者が商業保険の対象者を評価します。この調査には一貫したパターンがあります。対象企業を選び、複数の観点から調査を進め、すべての主張にソースとなる情報源を追跡可能な形で記された構造化レポートを生成することです。

このクックブックでは、LangChain の Deep Agents をオーケストレーションに、Parallel の Task API をウェブ調査にそれぞれ活用することで、企業デューデリジェンスのワークフローを自動化するエージェントを構築する方法を紹介します。Deep Agents は計画立案、サブエージェントへの委任、コンテキスト管理を担当します。一方、Parallel が実際の調査を実行し、Basis を通じて構造化された調査結果、項目ごとの出典情報、推論の経路、そして較正済みの信頼スコアを返します。

ある調査トラックからの発見が新たな疑問を生んだ場合、Parallel の インタラクティブ・リサーチ 機能により、エージェントは前回の調査スレッドの文脈をすべて保持したまま、フォローアップクエリを連鎖させることが可能になります。

概要

このエージェントは、それぞれ専任のサブエージェントが担当する 5 つの調査トラックをオーケストレーションします。

• 企業プロファイル — 法的なエンティティ構造、主要役員、設立経緯、従業員数、オフィス所在地
• 財務健全性 — 資金調達履歴、収益シグナル、バリュエーション指標、利益率の兆候
• 訴訟・規制対応 — 訴訟案件、SEC 提出書類、制裁リストスクリーニング、規制当局による措置、和解内容
• ニュースと評判 — 直近の報道、経営陣の変更、論争のフラグ、メディア感情
• 競合環境 — 主要な直接競合他社 3 社の特定と、対象企業の市場におけるポジショニング

「competitive-landscape」が名前付きリストを返すと、オーケストレーターは各競合他社に対して competitor-analysis サブエージェントを並列で個別に起動します。これは Deep Agents における典型的なファンアウト形状であり、各インスタンスは独立したコンテキスト内で実行されます。その後、オーケストレーターはすべての作業資料を読み込み、矛盾や信頼性の低い発見事項について相互参照を行います。不整合が生じた場合は Parallel の Search API を経由して随時検索を実行し、最終報告書にはリスクフラグと引用元を明記して出力します。

DD（デューデリジェンス）ではこの多段階アーキテクチャが必要です。なぜなら、初期の発見内容が次の調査対象を変化させるからです。企業プロフィールから対象企業が子会社であることが判明すれば、財務分析は親会社を含める必要があります。訴訟スキャンで SEC 調査が発覚すれば、リスク評価の内容も変わります。Deep Agents のプランニングツールを使えば、発見内容の変化に応じてオーケストレーターが研究計画を柔軟に調整できます。

各研究トラックでは pro-fast プロセッサの Task API を使用します。Rivian Automotive（NASDAQ: RIVN）でエンドツーエンドの検証を行い、9 回の呼び出しで約 23 分以内に完了しました。現在の料金は Parallel の価格設定ページ をご確認ください。

実装

__FENCE_0__

__FENCE_1__

Parallel 研究ツールの定義

2 つのツールを定義します。1 つ目は、Basis 対応の信頼性処理機能を備えた構造化された調査のために Parallel の Task API をラップしたものです。2 つ目は、統合プロセス中に迅速な事実確認を行うために LangChain インテグレーションの Web 検索ツールを利用するものです。

__FENCE_2__

このツールは、単なる生 API 呼び出し以上の役割を果たします。まず parse_basis(result) を実行して、各項目ごとの出典情報を抽出し、信頼度が低いと判断されたフィールド名を特定します。そして、そのフィールド名をツールの返却値に明示的な low_confidence_warning として含めます。これにより、呼び出し元のサブエージェントは、この警告に基づいて推論ループ内で追加のフォローアップ処理を連鎖させるかどうかを判断できます。

これにより、連鎖する呼び出しが previous_interaction_id を介して同じ調査スレッドに紐付けられるようになり、interaction_id が返されます。

調査サブエージェントの定義

各調査トラックには、専用のシステムプロンプトと research_task ツールへのアクセス権限を持つ独自のサブエージェントを割り当てます。

__FENCE_3__

他のフェーズ 1 サブエージェント（financial-health、litigation-regulatory、news-reputation、competitive-landscape）も、以下の構造に従います。

それぞれの専門的なプロンプトを備えています。これらすべてのプロンプトの完全なセットは、以下の通りです。

agent.py の Phase-2 ファンアウトサブエージェントは、competitive-landscape によって特定された各競合他社ごとに一度呼び出されます。

__FENCE_4__

オーケストレーターエージェントの構築

メインのエージェントはサブエージェントを調整し、発見された事実に矛盾がないか検証した上で最終レポートを作成します。このエージェントには `FilesystemBackend` を採用しており、作業用書類や最終メモがエージェントの状態とともに消滅するのではなく、./reports/ ディレクトリにディスクへ永続的に保存されるようにしています。

__FENCE_5__

エージェントの実行

__FENCE_6__

ストリーミング実行の進捗状況

長期にわたるデューデリジェンスの実行中は、エージェントの進行状況をリアルタイムでストリーミングして、計画策定、ツール呼び出し、サブエージェントの活動を確認できるようにします。サブエージェントの実行内部からイベントを受け取るには、subgraphs=True を渡してください。

__FENCE_7__

LangSmith による観測可能性

FSI において観測可能性が重要な理由

金融サービス業界（FSI）では、規制当局、監査役、リスク管理チームが、AI が支援して生成されたアウトプットがどのように作成されたかを再構築できることを企業に求める傾向が強まっています。特に、そのアウトプットが重要な事業決定に影響を与える場合です。

6 ヶ月後には、内部監査人、コンプライアンス審査担当者、モデルリスクチーム、投資委員会、あるいは規制当局から、「AI が支援したデューデリジェンスメモはどのように作成されたのか」と問われる可能性があります。各主要な結論を裏付けた情報源は何だったのでしょうか？どの程度の信頼性が付与されていたのでしょうか？人間がレビューや上書きを行ったのはいつどこでしたか？そのプロセスのログは、後から再構築できるほど十分に残されていますか。

FSI において「エージェントが回答しました」というだけでは、防御的な統制姿勢としては不十分です。

このエージェントは、LLM の出力、プロンプトへの感応性、オープンウェブといった非決定要素を複合的に扱い、実際の資金を実際の Web リサーチに費やし、最終的には規制当局が将来的に監査する可能性のあるメモという形で結末を迎えます。すべての主張は、明確な信頼度ラベルとともに一次情報源へとマッピングされなければなりません。そのマッピング関係は、実行完了から数ヶ月経っても監査可能でなければなりません。

一度エージェントが生産環境に導入されると、失敗の多くもそこで表面化します。しかし、事前のテストではそれらを捕捉できないケースがほとんどです。残る唯一の痕跡は、実行の過程を記録したトレース（Trace）なのです。

これが、FSI において特にトレースが重要視される理由です。

ログ記録の義務化が急速に進んでいます。EU AI 法では、ハイリスクとされる AI システムに対して自動イベントログの記録を要求しており、米国の銀行規制当局も、正式な適用範囲が確定していない場合でも、実務上 AI エージェントに対するモデルリスク管理の基準を適用しています。これらの枠組みで想定されているのが「トレース（追跡記録）」という成果物です。

意思決定の説明責任には、各主張ごとの根拠提示が不可欠です。AI の入力が消費者信用評価や投資助言、あるいは善管注意義務が課されるプロセスといった規制対象の意思決定に利用される場合、機関はその入力がいかに形成されたかを説明する必要があります。その際、ソース URL や出力ごとの信頼度を含む「ベースペイロード」が、数ヶ月経過後でもその説明を再現可能にする鍵となります。

サードパーティ製 AI の利用には継続的な監督が必要です。本システムでは外部のモデルプロバイダーと外部の研究 API（Parallel）を利用しています。トレース記録には、各プロバイダーへ送信された内容、返却された結果、そしてそれらの出力が最終レポートにどう影響したかが記録され、問題調査やベンダー管理を支援します。

事業継続性は迅速な根本原因分析にかかっています。エージェントの障害が重大な業務停止や報告義務のある ICT インシデントの一因となった場合、トレースはチームが再構築、修復、報告を行うための具体的な出発点となります。

現在のコンプライアンスと監査の仕組み

金融機関（FSI）のチームは、すでに調査メモがどのように作成されたかを証明するためのシステムを持っています。具体的には、アナリストの作業記録、引用リスト、ソース承認書、バージョン履歴、そしてコンプライアンスレビューです。このモデルが機能する理由は、責任の単位が「アナリスト」であるからです。審査官や監査人、コンプライアンス担当者が結論に至った理由を問うとき、アナリストは作業記録と引用文献を根拠に、その推論プロセスを一つずつ説明できます。

しかし、AI エージェントはこのモデルを変えます。「アナリスト」という存在はもはや人間一人ではありません。それは LLM（大規模言語モデル）への呼び出しのグラフであり、ツールの実行、取得したソース、中間出力、そして状態遷移の集合体です。これらのステップをランタイム（実行時）に記録しておかないと、最終的なメモ自体は残っても、それを生み出したプロセスはログやコンテキストウィンドウ、そして後から再構築が困難なベンダーへの問い合わせの中に消えてしまいます。

トレーサビリティ（追跡可能性）はこの欠落した接点（アタッチポイント）を復元します。それは機械側の作業記録となるものです。どのソースが各重要な結論に寄与し、どのような信頼度が付与され、どのツールが呼び出され、どこで人間のレビューが行われ、最終出力がどのように生成されたのか——それらを検証可能な形で記録するものなのです。

LangSmith が捉えるもの

LangSmith は、このエージェントにおけるすべての Deep Agents のステップと、ParallelTaskRunTool の呼び出しを記録します。具体的には、サブエージェントが構築したプロンプト、Parallel が返した URL、信頼度を含むベースペイロード、そして構造化された調査結果です。これらはすべて、エージェントのコードを変更することなく取得されます。

また、各実行はモデル呼び出し、ツール呼び出し、サブエージェントごとのノード単位のコストに細分化されます。これにより、どのステップがトークン数や時間のどの割合を占めたかを正確に把握できます。2 つの実行結果でコストが大きく異なる場合でも、その差がサブエージェントの推論にあるのか、追加された Parallel 呼び出しによるものなのか、それとも最終的な合成処理での違いなのかを、トレースから明確に確認できます。

トレースが示すもの

実行を開始すると、まずオーケストレーターの計画が表示されます。これはサブエージェントを実行する前に研究戦略を明確にするための、4 つのフェーズからなる TODO リストです。

第1フェーズでは、5 つの調査サブエージェントを並列で起動します。対象は「企業プロフィール」「財務健全性」「訴訟・規制」「ニュース・評判」「競合環境」です。 （原文の技術表記: corporate-profile、financial-health、litigation-regulatory、news-reputation、competitive-landscape）

各サブエージェントは、ディスパッチツールの呼び出しにおいて、平易な英語で記述された焦点を絞ったミッションを受け取ります。

トレース内のいずれの task ノードをクリックしても、そのサブエージェントが何を行っているかを正確に確認できます。具体的には、発行したプロンプト、並列呼び出しの実行状況、そして返ってきたソース情報が表示されます。

Phase 1 が完了すると、オーケストレーターは競合他社ごとの分析（Phase 2）、作業書類間の矛盾点の照合（Phase 3）、そして最終メモの要約（Phase 4）へと順次展開されます。この過程で実行されたすべてのツール呼び出しも記録されます。

任意のサブエージェントの research_task を選択すると、構造化された調査結果がすべて表示されます。並列処理によって返されるデータには、各項目、抜粋、URL が含まれており、要約部分だけでなく作業書類に格納される詳細なコンテンツも網羅されています。

引用と信頼性

コンプライアンス監査担当者が参照すべきは、parallel_task_run 内部のベースペイロードです。Parallel は各出力結果に、出典となる URL、信頼度ラベル（high / medium / low）、そして回答がどのように構成されたかを説明する 1 行分の推論トレースを付加します。

上記の Rivian 企業プロフィールに関する通話において、エージェントが「中程度の信頼性」として出力した情報は、SEC.gov に掲載された Rivian の 10-K および 2026 年度有価証券報告書、第三者による 2026 年代理権議事録の複製、そして Wikipedia という 4 つの情報源に基づいています。この構成は、主要な SEC 提出書類が 2 件、二次的な複製資料が 1 件、三次的な情報源が 1 件という組み合わせであり、コンプライアンス担当者が特に注意を促すべき典型的な情報源の根拠付けパターンです。

このように追跡（trace）が可能であれば、主張ごとに情報の出所を検証でき、同様の情報源のパターンは実行ごとに修正・改善することが可能になります。こうした層構造を持たない作業用文書では、単に 4 つの URL を列挙するだけで、どの情報が一次情報なのかを示す手がかりが得られません。

単なる追跡を超えて

1 つのデューデリジェンス（DD）メモにおいて、追跡機能は監査証跡として機能します。しかし、1 クォーターを通じて複数のメモを処理するポートフォリオ管理においては、パターン発見も必要となります。「どのサブエージェントが低信頼性の出力を最も多く生成するか」「どのような対象で連鎖的な並列フォローアップが必要となるか」「どの情報源から得られるコンテンツの質が低下し始めているか」——これらを把握する必要があります。LangSmith は、まさにそのための基盤となる追跡機能に、実行間（cross-run）の分析機能を追加しています。大規模なデューデリジェンスを遂行する FSI 業界のチームにとって、この機能は単なる監査証跡を運用上の規範へと昇華させるものです。

このアーキテクチャが向いている人々

本アーキテクチャは、企業を対象とした構造化された調査ワークフローを実行するあらゆるチームに適用可能です。具体的には、取引のスクリーニング、与信審査（credit underwriting）、KYB/KYC 登録手続き、M&A ターゲットの評価、ベンダーリスク評価などが該当します。 （原文の技術表記: medium）

ここで紹介した 5 つの研究トラックは、あくまで出発点に過ぎません。ワークフローに合わせて適切なトラックを差し替えてください。コンプライアンス重視のデューデリジェンスには経営陣の背景調査や実質的受益者追跡を追加し、M&A スクリーニングには知的財産ポートフォリオ分析を追加し、ベンダー評価には SOC 2 認証検証を追加できます。各追加トラックは、システムプロンプトと同一の research_task ツールを持つ新しいサブエージェント辞書として機能します。

リソース

• 完全なソースコード
• Deep Agents ドキュメンテーション
• Parallel Task API
• Parallel Basis と引用元
• Parallel 対話型リサーチ
• `langchain-parallel` SDK
• Parallel API キーの取得

関連コンテンツ

パートナー

スケールするアジェンティック・コマース：LangChain エージェントが安全に取引を実行できる

S. Tangedipalli,

K. Singh,

N. Okoroafor,

M. Samhitha Vangara,

C. Shriyan

2026 年 8 月 17 日

10 分

パートナー

エージェントの呼び出しで、本当に最先端モデルが必要なのはどれくらいか？

S. Tangedipalli,

K. Singh

2026 年 8 月 11 日

11 分

オープンソース

エージェントアーキテクチャ

Deep Agents

Deep Agents と LangChain、LangGraph の比較

Sydney Runkle

2026 年 8 月 6 日

8 分

エージェントが実際に何をしているかを確認する

エージェントエンジニアリングプラットフォーム「LangSmith」を使えば、開発者はすべてのエージェントの判断をデバッグし、変更の評価を行い、ワンクリックでデプロイすることが可能です。