SNS エージェントを構築する

朝のニュースを自動スクレイピングし、SNS 投稿案を作成するエージェントの実装ガイド

LangChain の「Managed Deep Agents」フレームワークを使えば、複雑なインフラ構築なしで、朝のニュースをスキャンして SNS 投稿案を生成する自律型エージェントを数時間で構築できます。この動画では、Hacker News や X（旧 Twitter）からの情報収集から Slack への自動連携、そして毎朝 9 時の完全自動化まで、実運用可能なエージェントのライフサイクル全体を実践的に解説します。

プロジェクトの初期化と環境構築

まずは Python 3.11 とパッケージマネージャー「UV」がインストールされているか確認し、Managed Deep Agents の CLI を uv tool install managed deep agents で導入します。その後、mda init コマンドでプロジェクトを初期化すると、エージェントの骨格となるディレクトリ構造が自動生成されます。

本番デプロイには LangSmith への接続が必要です。LangSmith の設定画面から API キー（パーソナルアクセストークン）を発行し、.env ファイルに設定します。また、モデル選定ではコストと性能のバランスを考慮し、このケースでは推論能力が不要な「GPT-5.6-Luna」を選択しました。これにより、OpenAI API キーも .env に追加して準備完了です。

カスタムツールの定義：情報収集の自動化

エージェントに具体的なタスクをさせるには、Python 関数としてツールを定義し登録する必要があります。ここでは以下の 3 つのツールを実装しました。

1. Hacker News 検索: Alolia API を利用して無料でニュースを検索する機能です。langchain.tool デコレータで関数をラップし、ドキュストリング（説明）と引数（検索クエリや取得件数）を定義することで、エージェントが自由に活用できるようにします。
2. X タイムライン取得: ユーザーのフィードから投稿を取得する機能です。
3. X 投稿検索: 興味関心に基づいて X の最新投稿を検索する機能です。

X 関連のツールには認証トークン（Bearer Token）が必要となるため、.env ファイルに設定します。重要なのは、これらを「読み取り専用」かつ「オプション」として実装している点です。万が一 X の API がエラーを返してもエージェントが停止せず、Hacker News の情報源に切り替えて処理を継続する冗長性を持たせています。

動的指示とスキル機能：柔軟なタスク実行

エージェントの基本的な役割は instructions.mmd ファイルに記載しますが、より詳細なロジックやドメイン知識は「スキル（Skill）」として管理します。スキルは必要な時だけ動的にロードされるモジュールで、不要な時に重くならない設計です。

今回は「投稿作成」に特化したスキルを作成しました。YAML フォーマットで名前と説明を記述し、「毎日の投稿ドラフト作成」「リビジョン依頼」「トピックの重複回避」などのトリガー条件を設定します。これにより、エージェントは文脈に応じて適切な行動を取れるようになります。

さらに、過去の会話履歴を超えた記憶（永続的メモリ）も実装しました。memory.py でスコープを「agent」に設定することで、新しいスレッド間でも過去の投稿内容を参照し、重複したトピックを避けることが可能になります。

Slack 連携と完全自動化の設定

エージェントがユーザーと対話するにはチャネル定義が必要です。channels/Slack.py を作成し、後で接続する Slack アプリの準備を整えます。また、毎朝 9 時に自動実行させるには schedules/morning_drafts.py を設定します。

このスケジュールファイルでは、クロノ式（平日 9:00 AM、太平洋標準時）を指定し、先ほど作成した「投稿作成スキル」を実行させます。さらに、Slack チャネル ID と自動投稿フラグ（auto_post: true）を設定することで、人間の介入なしに完全自律運用を実現します。

なお、デフォルトで生成されるサンドボックス（仮想環境）は不要なため削除し、軽量な構成に最適化しています。

ローカルテストから本番デプロイまで

開発中は mda dev コマンドでローカルサーバーを起動し、LangSmith Studio でエージェントと対話しながらデバッグします。ここではモデルの判断プロセスやツールの入力・出力、メモリの状態をリアルタイムで確認できるため、問題発生時の修正が非常にスムーズです。

テスト完了後は mda deploy コマンドで本番環境へデプロイします。この際、Slack 連携の設定が必要となるため、生成されたマニフェストファイルを Slack API のアプリ作成画面に貼り付けてインストールします。最後に .env に Slack の署名シークレットとボットトークンを追加し、再デプロイすることで完了です。

まとめ：実用化のハードルが劇的に下がる

このアプローチにより、開発者は複雑なインフラ構築なしで即座に業務自動化エージェントを構築・展開できます。特に Slack や X などの既存ワークフローへのシームレスな統合は、エンタープライズにおける AI 導入のスピードを加速させる可能性を秘めています。

「このエージェントは私にとって時間を大幅に節約し、毎日の会話の動向を把握する手助けになっています。」

複雑なコードを書かずに、必要な機能だけを組み合わせることで、すぐに使える AI エージェントが作れる時代が到来しました。