Deep Agents 基盤でユーザー維持率を 4 倍に、Harmonic の成果

Deep Agents でユーザー維持率を4倍に！Harmonic が描く「見えない UI」の設計原則

LangChain の動画で語られたのは、大規模データプラットフォーム「Harmonic」が、複雑なグラフ構造から「Deep Agents」基盤へ移行した驚異的な成果です。この転換により、50 以上のツールを自在に操りながら文脈管理に成功し、結果としてユーザーの週次維持率が 4 倍に跳ね上がりました。

単にモデルの性能を上げただけではなく、「UI が表示している情報をモデルがどう認識するか」という設計原則を見直したことが、この劇的な改善の鍵となりました。非技術者向けの美しい UI と、コードのような構造化データを好む AI モデルの間で生じる緊張関係を解消した具体的な手法を紹介します。

複雑なグラフから「ツール呼び出しループ」へ

Harmonic が提供する「Scout」というエージェントは、スタートアップ生態系のリアルタイムデータベースを自然言語で操作できるインターフェースです。創業当初のバージョン（Scout 1.0）では、クエリ解析や検索ルーティングを行う複雑なグラフ構造を採用していました。

「各ノードに独自のモデルと評価基準を持ち、微調整に膨大なメンテナンスコストがかかりました」

しかし、モデルの性能向上とハーネス技術の登場に伴い、設計は劇的にシンプル化されました。現在は「モデル」と「ツール」のみを中核とし、その前後で動作するミドルウェア（Deep Agents ハーネス）が制御する構造へと移行しています。

この新アーキテクチャでは、50 以上のツール（エンティティ検索、Web 検索、CRM 連携など）をモデルに提供します。モデルはこれらのツールから必要なものを選び、複雑で長いタスクを安定して実行できるようになりました。結果として、ユーザー維持率は週 1 から週 4 で4 倍に向上し、「他社の秘密兵器だ」「天国のような体験」といった高評価が相次いでいます。

文脈の肥大化を防ぐ「ファイルシステム」活用術

Deep Agents への移行で最も大きな恩恵を受けたのが、長文脈（コンテキスト）の管理能力です。特に企業検索などでは、数千行に及ぶ結果データが発生することがあります。

従来のメッセージリスト方式だと、こうした大量データをそのまま流し込むとコンテキストウィンドウがすぐに溢れ、モデルの推論能力が低下します。Deep Agents はこれを以下のように解決しました。

1. 自動的な文脈圧縮: メッセージリストが肥大化すると自動的に圧縮を行い、無限に近い長文脈での処理を可能にします。
2. ファイルシステムへのオフロード: 膨大な検索結果などは、モデルの直接入力ではなく「ファイルシステム」へ保存されます。モデルにはそのファイルへのポインタ（参照先）と、断片を読み取るツールが提供されるのみです。

これにより、モデルは不要な大量データに汚染されず、必要な情報だけを段階的に読み込むことで、高い精度を維持できます。

契約に基づく「見えない UI」の罠

ここがこの事例で最も重要な設計原則です。エージェント（モデル＋ハーネス）とプロダクト（UI）の間には、明確な「契約」が存在します。

「モデルが見えるのはメッセージリスト内の情報だけ。それ以外の情報は、ツールを通じて段階的に開示される必要がある」

ハーネスは外部リソースや UI 要素を隠蔽しますが、その情報をモデルに利用させる場合は、必ずツール経由でアクセス可能にする必要があります。これを「段階的開示（Progressive Disclosure）」と呼びます。

失敗する例：UI の状態がモデルに見えない

例えば、チャートや市場マップを UI 上でレンダリングする場合、「データをレンダリングする」というツールを呼び出し、フロントエンドで表示させるだけの設計は危険です。モデルは「レンダリング完了」というレスポンスしか受け取れず、実際に画面に何が表示されたか（どの企業がどこにあるかなど）を認識できません。

ユーザーが「なぜこの企業は左側に？」と質問しても、モデルはその情報をアクセスできないため回答できなくなります。これは、UI の状態がモデルにとって「不可視」になっている状態です。

成功する例：メッセージリスト内に埋め込む

一方、正解の設計は、SVG や HTML コードを XML タグなどで囲み、メッセージリスト自体に埋め込んでしまうことです。フロントエンドはこの出力を解析してリアルタイムでグラフィックをレンダリングしますが、モデルにとっては「自分が生成したテキスト」の一部として認識されます。

この方法なら、ユーザーが「左側の企業を右へ移動させて」と指示しても、モデルは自身が生成した文脈を参照して修正可能です。UI とバックグラウンドのプロセスが、モデルの推論にどう影響するかを常に意識することが、高度なエージェント製品には不可欠です。

非技術者向け UX と AI の「コード嗜好」の統合

開発者が直面した最大の課題は、「AI モデルの特性」と「ユーザー体験（UX）」の緊張関係でした。

• モデルの側: コードや構造化データ（JSON, XML）を好み、論理的な推論のためにこれらを出力します。
• 非技術者ユーザーの側: 複雑なコードやファイルパスを見せられず、直感的で美しい UI を求めています。

Deep Agents のファイルシステム抽象化機能を活用し、モデルが生成した構造化データをバックグラウンドで管理しつつ、ユーザーには洗練された UI で見せるという二重構造を実現しました。これにより、AI の強力な推論能力を損なうことなく、誰でも使いやすいプロダクトとして提供することに成功しています。

まとめ

Harmonic の事例は、エンタープライズ AI アプリケーションにおいて、単にモデルの性能を高めるだけでなく、「UI とモデルの文脈連携」を設計原則として再構築する重要性を示しています。Deep Agents による文脈管理とファイルシステム活用こそが、複雑なツール呼び出しと長文脈処理を可能にし、ユーザー維持率を劇的に向上させた原動力でした。