Deep Agents における RLM の活用方法

コンテキストの壁を破る：Deep Agents で実現する「再帰型言語モデル（RLM）」の実践と未来

AI エージェントが単なるチャットボットの域を超え、大規模データや複雑なワークフローを自律的に処理できる「実行エンジン」へと進化するための鍵が、「再帰型言語モデル（RLM）」の活用にあります。LangChain のエンジニアによる実証実験は、コンテキストウィンドウの限界や要約による情報損失という従来のボトルネックを、コード解釈器を介した RLM によってどう突破するかを示す決定的な証拠となっています。

RLM と Deep Agents：エージェントが「自分自身」を呼び出す仕組み

再帰型言語モデル（RLM）とは、一言で言えば「自分自身を呼び出せるモデル」のことです。従来の AI エージェントは、与えられた指示を一度きりの推論で完結させる傾向がありましたが、RLM を採用した Deep Agents は、エージェントがコードを記述して自身を再帰的に呼び出す仕組みを持っています。

「メインのエージェントとモデルに、自分自身を再帰的に呼び出すためのコードを書く権限を与えます」

これにより、作業のコンテキストはモデルの直接のウィンドウだけでなく、変数やファイルとして保存・管理できるようになります。つまり、複雑なタスクに対して「分割統治戦略」を柔軟に適用できるため、数千行に及ぶファイルの決定論的な処理も可能になるのです。

情報損失を防ぐ：コードによる分散処理とオーケストレーション

なぜ RLM が重要なのか。それは、コンテキストウィンドウには物理的な限界があり、長い会話では「要約」が必要になるためです。しかし、要約は必ず情報の損失を伴います。その結果、重要な文脈を見失い、エージェントが早期に諦めてしまうケースが多発していました。

RLM を活用する解決策は、コード解釈器（Code Interpreter）を通じて、ループやパイプライン、ファンアウト（並列処理）といった「コードプリミティブ」で仕事を整理することです。

「エージェントにコードを通じて業務を調整する権限を与えれば、情報損失の問題を回避できます」

RLM 支援型エージェントは、大規模なデータ問題に対して優れた決定論的なカバレッジを提供します。モデルが自らコードを書き、サブエージェントを並列・逐次的に実行することで、膨大なデータを処理し、最終的に集約するプロセスを自律的に行います。

デモで見る「俳句トーナメント」：16 人のサブエージェントが競う世界

Deep Agents の能力を実感するために、LangChain は「dcode」というターミナルコーディングエージェントを用いたデモを行いました。ここでは、朝食に関する俳句を生成するトーナメントが行われます。

1. 生成フェーズ: まず 16 人のサブエージェントが素早く俳句を生成します。
2. 選考フェーズ: モデルはコードを書き始め、JSEval ツールを呼び出して選考を行います。途中では悪質なコードも現れますが、モデル自ら修正し、準々決勝、決勝へと進みます。
3. 結果: トーナメント終了後、「深紅のベリーが輝く」という優勝作が導き出されました。

このデモは、RLM が単なる生成だけでなく、複雑なルールに基づいた論理的な選考プロセスを自律的に実行できることを示しています。モデルがコードを書くことで、人間が手動で設定するよりも柔軟かつ正確にタスクをオーケストレーションしている様子が確認できます。

128k トークン超での性能差：Oolong データセットによる実証

RLM の有効性を客観的に検証するため、LangChain は「Oolong データセット」を用いたベンチマーク実験を行いました。このデータセットは、数千行の表形式データ（日付、ユーザー、ニュース見出しなど）を扱い、分類や集計、時間的推論といった難易度の高いタスクを含んでいます。

実験の結果、コンテキスト長が 64k の場合、RLM 支援型エージェントと通常のエージェントに大きな差は見られませんでした。しかし、128,000 トークンを超える文脈長になると、状況は劇的に変化します。

• 通常のエージェント: コンテキスト情報に圧倒され、「正確には答えられません」や「計算がブロックされています」といった回答を繰り返すケースが多く見られました。これは、情報が膨大すぎてモデルが早期に諦めている状態です。
• RLM 支援型エージェント: 文脈の長さに関わらず、コード解釈器を通じてデータを分割・処理し続けるため、圧倒的に高い精度を維持しました。

「RLM を有効化したエージェントは、単純なディープエージェントよりも引き続き優れた性能を発揮します」

もちろん、RLM 支援型エージェントにはレイテンシの増加やトークンコストの高さという課題があります。しかし、最適なスキル設計や最適化を行うことで、これらのコストを大幅に削減できる可能性も示唆されています。

まとめ：AI エージェント開発のパラダイムシフト

この技術は、AI エージェントがチャットボットの域を超え、エンタープライズ環境で求められるような長文コンテキスト処理や信頼性の高い自動化タスクを実行する「実行エンジン」へと進化することを意味します。コード解釈器を介した RLM の導入は、複雑で大規模なタスクを確定的に処理するための不可欠な要素であり、今後の AI エージェント開発における重要なパラダイムシフトとなるでしょう。