Deep Agents に動的サブエージェントを導入

![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a4293b98a5fbb8e632a9116_98.png) エージェントがより野心的なタスクを引き受けるにつれ、以下のような困難に直面しています： - スケールして確実に作業を完了すること - 自身のコンテキスト（文脈）を管理すること 私たちはこれらの課題に対処する方法として、[動的サブエージェント](https://docs.langchain.com/oss/python/deepagents/dynamic-subagents)と呼ばれる形式の実験を行っています。これは、汎用的なツール呼び出しを通じてサブエージェントのタスクを発行するのではなく、エージェントが実行スクリプトを記述してサブエージェントの実行を駆動するというアプローチです。これにより、モデルはループ処理、分岐処理、並列処理など得意とするコードパターンを活用し、タスクに最適なオーケストレーションロジック（調整・制御論）を記述することが可能になります。 ## なぜ動的サブエージェントなのか？ Deep Agents はすでに [サブエージェント](https://docs.langchain.com/oss/python/deepagents/subagents) をサポートしています。これらはコンテキストを分離し、メインのエージェントが作業の個別単位を委任することを可能にし、中間結果をメインのコンテキストウィンドウから外すことができます。では、なぜ動的サブエージェントが必要なのでしょうか？ 通常のサブエージェントは、メインモデルが直接呼び出すことで一度に一つずつ実行されます。これは小規模なスケールでは機能しますが、数百ものサブエージェントを生成する必要がある場合や、オーケストレーションロジックが条件分岐型または多段階である場合には機能しなくなります。 動的サブエージェントは**プログラムによるオーケストレーション**によってこの問題を解決します。ターンごとのツール呼び出しを行うのではなく、エージェントがサブエージェントの調整と実行を行う短いスクリプトを記述し、それを軽量なインタプリタ上で実行します。 代表的な例：300 ページのドキュメントに対してページごとにサブエージェントを 1 つずつ割り当てるケースです。サブエージェントツールを 300 回呼び出すのではなく、エージェントはループを書きます。 const results = await Promise.all(pages.map(page => task({ description: `Summarize page ${page.number}`, subagentType: "summarizer" }) )); これにより、ツール呼び出し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 つのことが可能になります。 **スケーラブルな確定的カバレッジ。** 構造化されていない場合、エージェントは範囲に関する判断を下し、500 項目のうち 75 項目をスクリーニングして完了とみなすことがあります。しかし、ディスパッチループ（配信ループ）ではそうなりません。カバレッジはプロンプトエンジニアリングの問題ではなく、構造的な保証となります。 **信頼性の高い複雑なオーケストレーション。** ファンアウト＋合成、多段階パイプライン、または条件分岐を扱う場合などにおいて、モデルがツール呼び出しのシーケンスとして再現するよりも、コードとしてオーケストレーションを書く方がはるかに信頼性が高くなります。 これは [Claude Code のワークフロー](https://code.claude.com/docs/en/workflows) や [再帰型言語モデル (RLMs)](https://arxiv.org/abs/2512.24601) の背後にある同じ考え方です。つまり、モデルがコードを書き、そのコードがさらにエージェントをディスパッチするのです。 ## クイックスタート 動的サブエージェントを使用するには、作業を委譲する [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の記述と実行を行う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 QuickJS をベースにしたオプションのコードインタープリターが含まれています。これを使用するには、QuickJS ミドルウェアパッケージをインストールし、[create_deep_agent](https://docs.langchain.com/oss/python/deepagents/harness) の middleware 引数に CodeInterpreterMiddleware を渡します。 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、汎用的な [subagent](https://docs.langchain.com/oss/python/deepagents/subagents) が標準で組み込まれており、ワークフローですぐに使用できる汎用サブエージェントプロファイルが既に用意されています。専門的なワークフローの場合、独自の名称、説明、システムプロンプトを持つ [カスタムサブエージェント](https://docs.langchain.com/oss/python/deepagents/subagents#custom-subagents) を設定します。名称と説明は、エージェントがどの役割を担うべきかを判断するための手がかりとなります。 動的サブエージェントを発動させるには、"workflow" という単語を使用してエージェントにプロンプトを入力してください。例： result = await agent.ainvoke({ "messages": [{"role": "user", "content": "Run a workflow that reviews every file in src/routes/ and summarizes the top risks."}] }) ## コーディングエージェントでの使用 動的サブエージェントを試す最速の方法は、Deep Agent をベースに構築されたターミナル用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有効になっている状態で提供されるため、追加の設定は一切不要で、動的サブエージェントはそのまま利用可能です。 インストール curl -LsSf https://langch.in/dcode | bash 実行 dcode 動的サブエージェントをトリガーするには、「**workflow**（ワークフロー）」と指示するだけです。作業そのものを地道に行ったり、ネイティブのタスクツールでサブエージェントのフォークアウトを管理しようとしたりする代わりに、エージェントは組み込みの task() グローバル関数を呼び出すオーケストレーションスクリプトを作成し、コードインタープリタ内で実行します。例えば、「src/ 内のすべてのファイルをレビューして SQL インジェクションを検出する *workflow* を実行してください」と指示します。 サブエージェントが起動すると、dcode はディスパッチごとにフェーズにグループ化された動的サブエージェントパネルでそれらをリアルタイムに表示します。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a4295905625ab550e02166c_Screenshot%202026-06-24%20at%204.04.09%E2%80%AFPM%20(1).png) この機能は dcode で最も手軽に試せますが、ACP（Zed など）を通じてお好みのツールでも利用可能です。 ## 仕組み エージェントには [評価ツール](https://docs.langchain.com/oss/python/deepagents/interpreters) が与えられます。エージェントは、インタプリタ内で安全に実行される JavaScript を記述します。[サブエージェント](https://docs.langchain.com/oss/python/deepagents/subagents) が設定されている場合、インタプリタはコードからサブエージェントを起動する組み込みのグローバル関数 `task()` を公開します。現在のタスクに応じてモデルが異なるコード（ループ、分岐、`Promise.all` など）を記述し、インタプリタがそれを決定論的に実行します。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a4295a23a606f0c31601c72_Screenshot%202026-06-28%20at%2010.13.27%E2%AF%80AM.png) `task()` 関数は、説明（description）、サブエージェントタイプ（subagentType）、およびオプションのレスポンススキーマ（responseSchema）を受け取ります。レスポンススキーマが指定された場合、結果はすでに型付けされたオブジェクトとなり、フィルタリングや次のステップへの引き渡しに即座に使用できます。 ```javascript const result = await task({ description: "Review src/auth/login.ts for security issues.", subagentType: "reviewer", responseSchema: { type: "object", properties: { severity: { type: "string", enum: ["high", "medium", "low"] }, issues: { type: "array", items: { type: "string" } }, }, }, }); const critical = result.severity === "high" ? result.issues : []; critical; // モデルは最後の行を確認します ``` 詳細については、ドキュメントの [プログラムによるサブエージェント](https://docs.langchain.com/oss/python/deepagents/programmatic-subagents) および [インタプリタ](https://docs.langchain.com/oss/python/deepagents/interpreters) をご覧ください。 ## 共通のオーケストレーションパターン Anthropic の [ダイナミックワークフロー](https://claude.com/blog/a-harness-for-every-task-dynamic-workflows-in-claude-code) は、並列エージェント作業のための一連のオーケストレーションパターンを普及させました。これらはオンオフできる機能ではなく、作業から自然に生み出される形状であり、タスクが変化するにつれてエージェントは異なる形状へと移行します。以下の表では、各形状がどの種類の作業に適しているかを対応付けています。 パターン 形状 これを使うべき時 分類して実行 タイプごとにアイテムを専門家にルーティングする 混合された入力には異なる処理が必要 ファンアウトと合成 多くのアイテムに対して並列で同じ作業を行い、その後結合する 独立した単位があり、1 つの統合レポートを作成する場合 敵対的検証 特定し、保持する前に独立して検証する 偽陽性のコストが高い場合 生成とフィルタリング 複数のオプションを生成し、スコア付けして最良のものを選択する 一度に実行するよりも選択肢を探求する方が優れている トーナメント 直接対決による判定を行い、勝者が次のラウンドへ進む 主観的または相対的な基準がある場合 完了までループ 新しい発見がなくなるまで繰り返し実行する スコープが不明で、完全性を求める場合 以下では、Deep Agents においてそれぞれがどのように機能するかを、ライブトレースとともに詳しく解説します。また、これら 6 つのパターンを説明する動画も作成しましたので、[こちら](https://www.youtube.com/watch?v=5AkdMangfNk)からご覧ください。 ## クラス分類して行動 まずアイテムをクラス分類し、その後、各アイテムはその分類に基づいて専門的なサブエージェントによって処理されます。これにより、異なる種類のアイテムに異なる専門知識が必要な混合入力も処理できるようになります。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a4295f42ec3a9eed85aede2_01-classify-and-act.png) **ユースケース**: サポートチケット、エラーログ、ユーザーフィードバックのトリアージ、またはタイプに応じて異なる処理が必要なアイテムのバッチ処理。 **例**: サポートチケットのバックログをトリアージする。エージェントはチケットを読み込み、それぞれを「バグ」「機能リクエスト」「質問」に分類します。バグはバグ調査担当者に、機能リクエストは機能分析担当者に、質問はサポート対応担当者に振り分けられます。結果として、カテゴリ別にグループ化されたサマリーが生成されます。 トレースは[こちら](https://smith.langchain.com/public/20b1da82-de4a-4de4-ae20-6097c059cd94/r)で確認できます。 ## ファンアウトして合成 エージェントは、同じ種類の作業を多数のアイテムに対して並列に実行し、その後その結果を結合します。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a4296613a606f0c3160ccd2_02-fanout-and-synthesize.png) **ユースケース**: ディレクトリ全体にわたるコードレビュー、バッチドキュメントの分析、ログファイルの処理、多数のサービスに対する同一チェックの実行。 例：ソースツリー全体にわたるファイルごとのセキュリティレビュー。エージェントは src/ 配下にあるすべての TypeScript ファイルを特定し、各ファイルに対して並列で 1 つのセキュリティレビュアーを起動します。その後、結果を統合して、重大度評価と変更が必要な行を含む優先順位付けされた単一のレポートを作成します。 トレースはこちら [here](https://smith.langchain.com/public/d80cdf1a-37fc-4823-8500-417fe624fe3e/r) でご覧ください。 ## 敵対的検証（Adversarial verification） これは 2 フェーズのパターンです。最初のフェーズで発見事項を生成し、2 つ目のフェーズでは各発見事項を独立した検証者に送り、合意に至った発見事項のみが採用されます。これにより、速度よりも信頼性が重要となる場合に、偽陽性（false positives）を削減できます。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a429a7c39c584a6eb68f9ec_03-adversarial-verification%20(1).png) **ユースケース：** 偽陽性のコストが高いセキュリティ監査、コンプライアンスチェック、発見事項に高い信頼性が求められるあらゆるレビュー。 例：偽陽性が許容されないセキュリティ監査。監査担当者は潜在的な脆弱性を見つけるために広範囲に網羅的に調査し、その後、各発見事項は独立した検証者に引き渡されます。検証者はコードを新たに読み込み、「CONFIRMED（確認済み）」または「REFUTED（反証済み）」の判断を下します。最終レポートに残るのは、確認済みの発見事項のみです。 トレースはこちら [here](https://smith.langchain.com/public/6f47c6c5-34ee-454e-9ffe-bf23e4a619e6/r) でご覧ください。 ## 生成とフィルタリング 複数のサブエージェントが、同じ問題に対して独立した解決策を生成します。エージェントはコード内でこれらの結果を比較・採点し、最も優れたもののみを残してフィルタリングします。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a429677bc4d3cb76aa0d232_04-generate-and-filter.png) **ユースケース:** アーキテクチャ提案、リファクタリング戦略、コンテンツのバリエーション、コミットする前に複数の選択肢を検討することでより良い結果が得られるあらゆるタスク。 例：競合するレートリミッター（rate-limiter）のリデザイン案をランク付けしたものです。エージェントにはアーキテクトがおり、`rate-limiter.ts` の独立した複数リデザインを生成します。それぞれは互いに上書きされないよう個別のファイルに記述されます。その後、バースト時の正しさ、マルチインスタンス対応、複雑さといった観点で採点が行われます。最も強力な案が勝利し、その理由も提示されます。 トレースはこちら [here](https://smith.langchain.com/public/fbecf524-e8c5-4db4-930f-4a82b22d5d59/r) でご覧ください。 ## トーナメント バリエーションは、ジャッジサブエージェントによって直接比較され、勝者は敗者淘汰ラウンドを通過して進出します。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a429686c823afd69faa744e_05-tournament.png) **ユースケース:** 主観的な基準による最適化、スタイルの選択、競合する実装間の選定。 例：ごちゃごちゃした createOrder ハンドラの書き換えに対するペアワイズブラケット。複数のライターがそれぞれ異なる優先度を持つ候補となる書き換えを生成し、その後ジャッジがそれらを直接比較して勝者をラウンドごとに進め、最終的に一人のチャンピオンが浮き上がるまで続けます。これにはジャッジの推論も返されます。 トレースは [こちら](https://smith.langchain.com/public/f89bcdb7-57be-4a3e-a290-36dbdaaa4294/r) でご覧ください。 ## 完了するまでループ エージェントは、既に見つけた結果と重複排除を行いながら、新しい結果が現れなくなるまでディスカバリーループを実行します。作業の範囲が事前に不明な場合に有用です。 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a42969e8a42096c1a054454_06-loop-until-done.png) **ユースケース:** 網羅的な検索、デッドコードの検出、依存関係監査、固定された結果数ではなく完全性を求めるあらゆるスウィープ。 例：パスベースのセキュリティスウィープ。エージェントはスキャンパスを実行し、コード内で発見したものを検査します。そして、前回のパスで新しい問題が表面化した場合にのみ次のパスを開始します。あるパスで新たな発見がない場合に停止します。集約された発見内容と、それまでに要したパス数を報告します。 トレースは [こちら](https://smith.langchain.com/public/f93dd802-76c4-41c3-80af-16ce9d10a1a2/r) でご覧ください。 ## 結論 動的サブエージェントは、エージェントにより高い自律性と信頼性を付与するための仕組みです。コードがカバレッジと中間コンテキストの処理を担当し、モデル自体は判断を要する重責な作業を引き続き行います。上記のパターンは出発点に過ぎません。実際には、タスクの要件に応じてエージェントがこれらを組み合わせて混合して使用します。 これは再帰型言語モデルのアイデアを最も単純な形にしたものです。コードを書くエージェントがあり、そのコードがさらに多くのエージェントを起動します。これはエージェントが自分自身を再帰的に呼び出す仕組みであり、コンテキストウィンドウによって制限されたり、固定されたワークフローに縛られたりすることはありません。エージェントは問題を可能な限り細分化し、あらゆる形状のピースを組み合わせて再構築できます。上記で強調したオーケストレーションパターンは、実現可能性の初期の兆候ですが、モデルがコード作成をより得意にするにつれて、その上限はさらに高まり続けるでしょう。 [動的サブエージェント](https://docs.langchain.com/oss/python/deepagents/dynamic-subagents) は、Deep Agents が今日この仕組みを実装したものです。エージェントにコードインタープリターを追加するか、動的サブエージェントがすぐに使える [dcode](https://docs.langchain.com/oss/python/deepagents/code/overview) を利用して始めましょう。 ## 関連コンテンツ ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a3e6581ba3e85f557ce03f8_Frame%202.png) Deep Agents オープンソース ## 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 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a317b118693f5be4a8e220f_97.png) Deep Agents オープンソース エージェントアーキテクチャ ## ループエンジニアリングの芸術 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/69dcee60745f0e15b18ad4d5_sydney-runkle.png) Sydney Runkle 2026 年 6 月 16 日 7 分 ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a2995e66365247c159e8c18_dark-52%20characters%20max.png) オープンソース ## エージェントとアプリケーションの間の欠落したリンク ![image](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6a0f01c040ee659bfdddd9ab_T04F8K3FZB5-U097E05JJAF-a7911e89a90d-512.jpeg) Christian Bromann 2026 年 6 月 10 日 6 分 ## エージェントが実際に何をしているかを見る 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 に動的サブエージェントを導入

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