Multi-agent frameworks — マルチエージェントフレームワーク

LLMベースのマルチエージェントフレームワーク（Multi-Agent Frameworks based on LLM）は、大規模言語モデル（LLM）を基盤とする複数の自律型AIエージェントが相互作用し、複雑な問題を共同で解決することを可能にするソフトウェアプラットフォームです。このようなシステムでは、エージェントのプロファイルの多様性、コミュニケーション、および集合的な意思決定が重視されます。このアプローチは、グループの「集合知」を活用し、各エージェントが専門的な役割を担い、エージェント間のメッセージ交換によって人間の共同作業を模倣します。

これにより、現実世界の複雑なシナリオをモデル化し、単一の知的エージェントの能力を超える問題を解決することが可能になります。マルチエージェントLLMシステムは、ソフトウェア開発、社会シミュレーション、経済ゲーム、政治的議論のモデリングといった分野で、すでに成功を収めています。

主要なフレームワークとアプローチ

マルチエージェントシステムの発展により、その構築と研究を容易にする数多くのオープンソースフレームワークが登場しています。

MetaGPT (2023) - メタGPT

「コンベアライン」（assembly line）の原則に基づいた共同作業に焦点を当てた、初期のオープンソースフレームワークの一つです。MetaGPTは、標準作業手順書（SOPs）をシステムに導入し、各エージェントに特定の役割（例：プロダクトマネージャー、エンジニア、テスター）を割り当てます。このアプローチにより、複雑なタスクをサブタスクに分解し、専門のエージェントに分配することで、無秩序性を低減し、ハルシネーションのリスクを減らすことができます。

CAMEL (2023) - CAMEL

CAMEL（Communicative Agents for "Mind" Exploration）フレームワークは、対話を通じたエージェントの自律的な相互作用に焦点を当てています。共通の目標に向けてLLMエージェント間の対話を調整するために、inception promptingという手法を提案しています。各エージェントには役割とコンテキストが与えられ、その後、エージェントは自然言語でコミュニケーションを取りながら、徐々に共同の解決策を練り上げていきます。CAMELは、人間の直接的な介入なしに協力が必要なシナリオで有効性を示しています。

AutoGen (2023) - オートジェン

Microsoftの研究者による、汎用的でカスタマイズ可能なフレームワークであり、複数のLLMの対話に基づいた複雑なアプリケーションを作成するために設計されています。AutoGenは、コードと自然言語の両方でエージェントの対話ロジックをプログラムすることを可能にします。外部ツールやAPIとの統合をサポートしているため、ソフトウェア開発から対話システムの構築まで、幅広いタスクに適しています。

AgentVerse (2023) - エージェントバース

OpenBMBコミュニティによって開発された、エージェントの動的な協力と創発的行動の研究を目的としたオープンプラットフォームです。AgentVerseは2つの動作モードを提供しています：

1. タスク解決（task-solving）: 複数のLLMエージェントがチームを組んで、複雑なタスク（例：ソフトウェアの共同開発）を遂行します。
2. 環境シミュレーション（simulation）: ユーザーが仮想環境を設定し、エージェントの相互作用を観察することができます（例：教室や囚人のジレンマのシミュレーション）。

このプラットフォームは、管理されたコミュニケーションのための標準化された環境と通信プロトコルの重要性を強調しています。

CrewAI (2024) - クルーAI

LLMエージェントをビジネスプロセスやデータ分析に統合することに焦点を当てたフレームワークです。CrewAIは「AIベースのエージェントワークフロー」（AgWf）というコンセプトを実装しており、エージェントはテキスト形式の指示で記述されたステップを実行し、外部ツール（Pythonのクラスや関数）を使用できます。これにより、LLMの柔軟性と決定論的なコードを組み合わせることで、複雑な分析シナリオを自動化することができます。

LangGraph (2024) - ランググラフ

グラフ構造を利用して、LLMとの対話における状態とコンテキストを表現する実験的なフレームワークです。LangGraphの主な特徴は、循環的なワークフローのサポートです。これにより、エージェントは共通の知識グラフを介してデータを交換し、情報を繰り返し検索し、その信頼性を評価し、応答を修正することができます。これは、拡張知識ベースを用いた情報検索（QA）タスクで特に有用です。

その他のプロジェクト

実験的なプロジェクトであるAutoGPTやAgentGPTも広く注目を集め、完全に自律的なAIエージェントの可能性を示しました。これらのエージェントは、自律的に目標を設定し、ウェブ検索を行い、コードを実行し、ファイルを管理する能力を持ちます。これらのプロジェクトは科学的な査読を受けていませんが、真に自律的なエージェントを構築するためには、計画、記憶、ツールのコンポーネントが重要であることを浮き彫りにしました。

マルチエージェントシステムの応用

• ソフトウェア開発の自動化: LLMエージェントのグループが、マネージャー、プログラマー、テスターの役割を担い、ソフトウェアプロジェクトを共同で計画・実装します。ChatDevの研究では、4体のエージェントからなるチームが、タスク設定からテストまで全ての段階で対話を行い、数分で簡単なアプリケーションを作成できたことが示されました。
• インテリジェントアシスタント: Microsoft 365 CopilotやIBM Watsonx Orchestrateなどの企業向け製品では、複数のエージェントが複雑なタスクを遂行します。例えば、あるエージェントがリクエストを処理し、別のエージェントがデータベースから事実を抽出し、さらに別のエージェントがレポートを作成します。
• 科学研究: エージェントは仮説の生成と批判に利用されます。Guided DebateやSelf-Refineのようなアプローチでは、一方のエージェントが解決策を提案し、もう一方がそれを評価・修正することで、エラーの数を減らすのに役立ちます。
• 社会モデリングと仮想世界: 画期的なプロジェクトGenerative Agentsでは、個性と記憶を備えた数十体のLLMエージェントが、小さな仮想の町の生活を模倣し、信憑性の高い社会的相互作用を示しました。このようなシミュレーションは、ゲーム（リアルなNPCの作成）、教育、社会科学分野での応用が期待されます。

課題と展望

成功にもかかわらず、マルチエージェントシステムは多くの深刻な課題に直面しています：

• ハルシネーションとカスケードエラー: 1体のエージェントが犯したエラーが、他のエージェントに連鎖的に伝播し、他のエージェントがその誤りを前提に推論を進めることで、グループ全体のパフォーマンスが歪められる可能性があります。
• スケーラビリティとリソース消費: LLMベースの各エージェントは、膨大な計算リソースを必要とします。数十体のエージェントを同時に稼働させることは、技術的に困難な課題です。
• 調整と管理: エージェントの数が増えるにつれて、無秩序状態に陥るリスクが高まります。それらの相互作用を管理するためには、洗練された「オーケストレーション」メカニズムが必要です。
• 評価とテスト: 様々なマルチエージェントフレームワークを客観的に比較するための、広く受け入れられたベンチマークが存在しません。

将来的には、より効率的で安全なマルチモーダルシステムの出現が期待されます。そこでは、エージェントはテキストだけでなく、画像やその他のデータも交換できるようになります。強化学習の導入により、エージェントグループは時間とともにより良く協調することを学習し、「集合知」の効果を達成できるようになるかもしれません。最終的に、マルチエージェントフレームワークは、多数の専門的な「知性」が協力して動作する、より柔軟で強力なAIシステムを構築するための一歩です。

リンク

• 概説論文：Large Language Model based Multi-Agents (2024)
• 概説論文：LLMs Working in Harmony (2025)

参考文献

• Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629.
• Hong, S. et al. (2023). MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework. arXiv:2308.00352.
• Li, G. et al. (2023). CAMEL: Communicative Agents for "Mind" Exploration of Large Language Model Society. arXiv:2303.17760.
• Wu, Q. et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arXiv:2308.08155.
• Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
• Yao, S. et al. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models. arXiv:2305.10601.
• Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. arXiv:2303.11366.
• Chen, W. et al. (2023). AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors. arXiv:2308.10848.
• Park, J. S. et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. arXiv:2304.03442.
• Guo, T. et al. (2024). Large Language Model Based Multi-Agents: A Survey of Progress and Challenges. arXiv:2402.01680.
• Chen, Q. et al. (2024). ChatDev: Communicative Agents for Software Development. arXiv:2307.07924.
• Duan, Z.; Wang, J. (2024). Exploration of LLM Multi-Agent Application Implementation Based on LangGraph + CrewAI. arXiv:2411.18241.
• Aratchige, R. M.; Ilmini, W. M. K. S. (2025). LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi-Agent Systems. arXiv:2504.01963.