Hugging Face のニールス・ロッゲ氏、エージェントで自身の業務を自動化

Hugging Face のニールス・ロッゲ氏が語る、AI エージェントによる業務自動化の現実と進化

Hugging Face のコミュニティ科学チームで働くニールス・ロッゲ氏は、研究者が Google Drive や Dropbox に研究成果を保管し続ける「発見性の欠如」という課題に対し、AI エージェントを活用した完全な自動化を実現しました。当初は堅牢な決定論的ワークフローを採用していましたが、大規模言語モデルの性能向上に伴い、現在は自律型エージェントへと移行。これにより、毎晩数百件の GitHub Issue が自動生成され、オープンソースモデルの評価と普及が劇的に加速しています。

研究者の成果を「発見可能」にするための課題

Hugging Face のコミュニティ科学チームは、実質的に「Google Drive から Hugging Face Hub へ移行させるチーム」とも言えます。ニールス氏は、アーカイブ（arXiv）でトレンドとなる研究論文が発表される際、その重み（weights）やデータセットが GitHub リリースや Google Drive、Dropbox に置かれているケースを頻繁に目にしました。

「研究者は第三者のサービスを使って成果物を公開しがちですが、これでは Hugging Face 上での発見性が著しく低下します」

Hugging Face Hub の強みは、論文ページとモデルやデータセットが紐付けられ、メタデータタグ（言語、ライブラリ対応など）でフィルタリングできる点にあります。これにより、ユーザーは「深度推定モデル」や特定の言語の LLM を容易に見つけられますが、外部サーバーに置かれた成果物はこうした仕組みから外れてしまいます。

ニールス氏は以前、手動で GitHub Issue を作成し、「Hugging Face に重みを公開しませんか？」と研究者へ outreach（働きかけ）を行っていました。しかし、AI ブームにより論文の発表数が爆発的に増加する中、人手での対応はもはや限界に達していました。

決定論的ワークフローから自律型エージェントへの転換

自動化の実現には二つのアプローチがあります。一つは、LLM API をステップごとに呼び出す「決定論的なワークフロー」です。これは制御しやすい反面、柔軟性に欠けます。もう一つは、ツールを呼び出してループする「自律型エージェント」で、柔軟性は高いものの予測が難しい側面があります。

ニールス氏は 2024 年半ば、Anthropic のブログ記事「Building Effective Agents」の影響を受け、まずはシンプルに決定論的ワークフローから始めました。これは彼自身の outreach プロセスを忠実に再現したもので、フレームワークを使わず LLM API を各ステップで呼び出す構成でした。

しかし、数ヶ月後には状況が変わります。モデルの性能が劇的に向上し、Anthropic の AI Engineer 会議などで「自律型エージェントの方が優れている」という見解が示されたのです。これを受け、ニールス氏はフォローアップ業務を含む複雑なタスクを、Claude Agents SDK を用いた自律型エージェントへ移行しました。

「モデルが賢くなった今、数千行に及ぶカスタムコードや複雑なワークフローを、CLI ツールとスキルを持つシンプルなエージェントで置き換えることができます」

技術スタック：オープンソースモデルとバッチ処理の威力

この自律型システムの基盤には、高性能かつコスト効率の良い技術選定があります。

• モデル: 当初は Claude モデルを使用していましたが、現在は Hugging Face Inference Providers を経由し、GLM-5.2 や DeepSeek V4 などのオープンソースモデルを採用しています。特に GLM-5.2 は、Cursor Bench や Post-training Bench で Opus 4.8 を上回る性能を示しつつも安価であるため、Hugging Face で働くニールス氏にとって最適な選択肢です。
• 実行環境: Modal というプラットフォーム上でバッチ処理として動作しています。Modal の特徴は、並列に大量のコンテナを起動できる点で、毎晩数百件の Issue 処理を同時にこなすために不可欠な機能です。
• ツールと連携: エージェントは Bash コマンド（ターミナル）を通じて Hugging Face CLI を操作し、GitHub へのコメント投稿や Slack への報告を行います。これにより、複雑なコードを書かずに必要なアクションを実行しています。

このシステムは GitHub Actions の cron ジョブとして每晚稼働します。ニールス氏は「GitHub Actions はシンプルな cron ジョブを立ち上げるのに最も手軽で、UI での管理も容易だ」と推奨しています。また、エージェントの動作を追跡・可視化するためには LangFuse を活用し、LLM の入力出力やコスト、レイテンシなどを監視しています。

品質保証：スパム（Slop）を防ぐための厳格な評価

自動化を進める上で最大の懸念は、AI が生成する低品質な投稿、いわゆる「スパム（slop）」の発生です。ニールス氏は、Hamel Husain 氏のLLM Evils FAQを参照し、エージェントによる投稿が単なるノイズにならないよう厳格な評価プロセスを設ける必要性を強調しました。

自律型エージェントは柔軟ですが、その分予測不可能になるリスクがあります。そのため、単純に「何でも投稿する」のではなく、適切なメタデータの付与や、研究者への丁寧なコミュニケーションができるかという基準で品質を保証しています。

まとめ：オープンソースと自律型の未来

ニールス氏の取り組みは、大規模データ処理やコミュニティ管理において自律型エージェントが実務レベルで機能することを証明しました。高価なクローズドモデルへの依存を減らしつつ、同等以上のパフォーマンスを得るための技術的アプローチとして、業界全体の実践基準に影響を与える可能性があります。AI エージェントはもはや実験的な概念ではなく、開発者の生産性を向上させ、オープンソースエコシステムを健全化するための強力なツールへと進化しています。