LLMエージェント：完全ガイド

大規模言語モデル（LLM）は、AIを動かすエンジンです。ユーザーが簡単な質問をすると、簡単な答えが返ってきます。しかし、それ以上のことを行う必要がある場合はどうでしょうか？これこそが、LLMエージェントが優れている点です。LLMエージェントにはいくつかの種類がありますが、どのエージェントも記憶や逐次推論、そして複数のツールの使用を必要とする、より複雑なクエリを処理します。

LLMは現在、1兆を超えるパラメーターを処理 できます。また、企業が生成AIの利用を拡大しようとする中で、エージェント主導のデジタルレイバーの需要は今後も高まり続けるでしょう。

さまざまなタイプのLLMエージェントが機能する仕組みや、LLMエージェントにできること、必要なコンポーネント、課題、そして企業がこれらのツールを現在と将来においてどのように使用できるのかという点を分析します。

このガイドの内容：

• LLMエージェントとは
• LLMエージェントにできること
• LLMエージェントの種類とそれぞれの機能
• LLMエージェントのコンポーネント
• 企業における、さまざまなタイプのLLMエージェントの活用法
• LLMエージェントの潜在的な課題
• LLMエージェントの未来
• LLMでリードするために

LLMは、記憶、プランニング、逐次推論の組み合わせを使用し、ユーザーの質問に対して人間の応答と同様の詳細な応答を生成する人工知能（AI）システムです。その例をご紹介します。

ユーザー1が、LLMを使用してトレーニングされた社内のチャットボットに、昨年の給与統計を引き出すように依頼したとします。その場合チャットボットは、事前設定されたプロセスに従って、関連するデータベースを検索し、特定のデータセットを返します。

一方でユーザー2は、詳細な質問をしたいと考えています。新しい連邦法と州法が政策に与える影響について、昨年の給与データにもとづいた内容の回答を求めているのです。この場合、チャットボットでは不十分です。給与データや新しい法律に関する情報を返すことはできますが、それらを組み合わせて意味のある応答をすることはできません。しかしLLMエージェントには、これができます。

LLMエージェントは、機械学習（ML）と自然言語処理（NLP）の組み合わせを使用して、複雑なクエリを理解し、応答することができます。これらの特徴から、内部ソースからデータを取得して単純な質問に回答する従来の検索拡張生成（RAG）モデルとエージェントが区別されます。

LLMエージェントは、推論とロジックを適用して質問に答えることができます。エージェントは、単に質問を額面通りに受け取るのではなく、クエリを細かく分割して答えを見つけることができます。それから、元の質問の記憶を使用して回答を組み合わせ、正確な結果を生成します。これにより、AIエージェントは複数のデータセットにもとづいて、詳細なクエリに回答できます。また、テキストからの要約作成やコードの記述、プランの生成を行うことも可能です。

LLMエージェントは、過去のインタラクションを分析して学習することで、時間の経過とともに出力を向上させることができます。エージェントは実質的に自分の行動を反省して、この行動が成功したのかを判断し、出力を改善するための変更を行うことができます。

各タスクを改善するために、LLMエージェントはWeb検索やコードテストツールを使用して精度を検証し、応答時間を短縮します。エージェントは、新しいデータと過去のデータに対して継続的に回答を評価することで、これらのエラーを特定して修正できます。

エージェントは、連携して作業することも可能です。たとえば、あるエージェントが情報を取得して回答を生成するタスクを引き受け、別のエージェントが出力の精度を評価するとします。3つ目のエージェントが両方のパフォーマンスを評価して、改善を提案でします。これを受け、これらのエージェントはデータを組み合わせて、関連する単一の結果を生成します。

LLMエージェントは複数の役割を果たすように構成できますが、異なるタイプのエージェントが互いに矛盾することはありません。1つのエージェントが複数の機能を同時、または順番に実行できます。

LLMエージェントの一般的なタイプには、以下のものがあります。

• タスク固有のLLMエージェント：これらのエージェントは、顧客の注文状況の確認や配送情報の更新など、狭義の操作を実行するように設計されています。通常、タスク固有のエージェントは、小規模言語モデル（SLM）によって提供されるような、より小さなデータプールからデータを取得します。
• 会話型LLMエージェント：会話型AIエージェントは、スタッフや顧客などのエンドユーザーと対話し、一般的な質問に対する回答を提供できます。これらのAIエージェントとチャットボットエージェントの違いは、AIエージェントは時間の経過とともに学習し、ユーザーからの質問に対してより自然な応答を生成できるという点にあります。
• 意思決定支援型LLMエージェント：意思決定支援型エージェントは、データセットからインサイトを抽出したり、大規模なデータサマリーを提供して意思決定を改善したりします。たとえば企業の最高セキュリティ情報責任者は、意思決定支援型LLMを使用して、特定の期間に発生した企業向けサイバーセキュリティ攻撃すべての影響を評価および要約できます。
• ワークフロー自動化LLMエージェント：ワークフロー自動化LLMエージェントは、マルチステップのワークフローを自動化します。自律型エージェントには、運用ベースラインを作成するために必要なシステムデータ、機能仕様、および過去のワークフローパフォーマンスが提供されます。そこから、エージェントは割り当てられたタスクを実行し、時間の経過とともに改善していきます。
• 情報検索型LLMエージェント：RAGメソッドは、これらのタイプのLLMエージェントによって、任意のシステムからデータを検索および取得するために使用されます。ここでは、データの取得は比較的簡単です。エージェントは、関連データを特定して取得し、無関係な情報を無視する能力に優れています。
• コラボレーション型LLMエージェント：コラボレーション型エージェントは、他のエージェントと並行して、または他のエージェントと連携して動作します。これらのエージェントは効果的かつ同時に動作するため、精度を損なうことなく応答時間を短縮できます。
• 適応学習型LLMエージェント：適応型エージェントは、過去のデータを使用して将来のパフォーマンスを向上させます。エージェントは、過去の出力を評価し、それらを理想的な結果と比較して、新しい戦略を開発します。

LLM機能を搭載したAIエージェントを構築するには、大規模な言語モデルが必要です。このLLMは、自然言語テキストと、プロンプトエンジニアリングや記憶モジュール、検索システムなどの追加コンポーネントを生成して解釈し、コンテキストの理解と機能を強化します。すべてのタイプのLLMエージェントにおける、3つの高レベルなコンポーネントが、脳、記憶、プランニングです。

エージェントの脳は、ユーザーの質問を理解し、それに応答できる言語モデルです。エージェントはプロンプト（ユーザーが行った質問や発言）を使用して、意思決定と回答のプロセスを導きます。Agentforceなどのソリューションを使用すると、財務や人事、サイバーセキュリティに関するタスクの処理など、特定の状況向けに設計されたフレームワークを用いて、エージェントの脳をカスタマイズできます。

メモリは、エージェントが過去のアクションを思い出して次の出力を改善するのに役立ちます。これはさらに、以下の3つのタイプに分類できます。

• 短期：エージェントの短期記憶は、現在の会話またはタスクに適用されます。これは、ユーザープロンプトと、エージェントがこれまでに実行したアクションの記録です。
• 長期：長期記憶とは、数週間から数か月にわたる過去の会話やプロンプトから取得したデータのリポジトリです。この記憶は、現在のタスクにコンテキストを提供します。そしてエージェントはこれを確認し、想定されるエラーと改善すべき領域を特定します。
• ハイブリッド：ハイブリッド型の記憶は、短期記憶と長期記憶を組み合わせたものです。状況認識を維持し、関連情報を動的に利用することで、その瞬間のエージェントの応答を改善します。

プランニングモジュールは、複雑なタスクを細かく分けることで、応答内容を改善します。

• プランの策定（フィードバックあり/なし）：最初のステップがプランの策定です。エージェントはタスクをサブタスクに分割し、その後サブタスクを完了させます。プランは、フィードバックの有無にかかわらず作成および実行できます。フィードバックがない場合、プランは人間の監督なしにエージェントによって開発、実行されます。フィードバックがある場合については、ループ内の人間がプランを評価し、プランが実行される前に推奨事項を作成します。
• プランの振り返り：プランの振り返りは、計画が実行された後に行われます。内部評価ツールと外部の人間からのフィードバックを組み合わせて使用すると、プランを振り振り返ることで改善すべき領域を特定できます。

実際には、これらのコンポーネントは単純化された人間の脳のように連携して機能します。エージェントの脳は、ユーザーのクエリを取り込み、解釈します。短期記憶は現在のタスクの理解を生成するために使用され、長期記憶はコンテキストを提供します。プランニングでは複雑なタスクをサブタスクに分割し、その後にサブタスクを完了します。これによって問題を解決し、答えを導き出すことができます。

プランの振り返りにおいて、出力を批判的に評価し、潜在的な誤りを特定して、プランの精度と一貫性を向上できるようにすることで、将来エラーが発生するリスクを軽減するのに役立ちます。

これらのタイプのLLMエージェントには、以下のような多様な活用法があります。

• 営業：営業職員向けAIを使用すると、エージェントが潜在的な顧客との接触を図り、製品情報の提供や営業担当者とのミーティングの設定、特別価格の設定、プロモーションの提供を行うことができます。
• サービス：サービスベースのAIエージェントは、顧客の質問に答えたり、技術的なトラブルシューティングのアドバイスを提供したりすることができます。また、質問を人間の担当者にエスカレーションすることも可能です。
• コマース：AIをコマースに使用すると、エージェントによるオンデマンドの注文状況の確認と追跡、注文の変更、そして返品や返金の支援が可能になります。
• マーケティング：複雑なプロンプトを処理する能力により、LLMエージェントはマーケティングAIを使用してターゲットオーディエンスを特定します。また、過去のキャンペーンパフォーマンスにもとづいて、さまざまなセグメントにパーソナライズされたマーケティングキャンペーンを作成することもできます。

AIのメリットとLLMのメリットは大きいとは言うものの、さまざまなタイプのLLMを使用する中で今後も課題に直面する可能性があります。一般的な問題として、以下のような事柄が挙げられます。

LLMエージェントが十分なデータでトレーニングされていない場合、またはデータの多様性に欠けている場合、作成されるコンテキストが限定的なものになる可能性があります。これにより、エージェントが関連性のある実行可能な回答を生成する能力が低下します。

エージェントは短期的な計画に優れていますが、永続的なメモリの不足、コンテキストウィンドウの制限、ツール（およびリソース）の統合ギャップといった理由により、数か月または数年にわたる長期計画の要求を処理するのが難しい場合があります。

不正確なソースデータや不明確な指示は、出力の一貫性を損なう可能性があります。同じクエリが複数の結果を返すと、LLMエージェントの有用性が損なわれます。

エージェントは、役割を果たすためにカスタマイズできます。ただし、これらの役割の成功は使用するAIフレームワークにかかっています。これは、フレームワークによって、エージェントのトレーニング、展開、他のツールおよびシステムとの統合の効率性が決まるからです。

プロンプトはエージェントの回答の基礎を形成しますが、LLMエージェントは、応答を通知するために記憶や自己反省機能も活用する必要があります。これらの要素が不足している、または欠けていると、回答の範囲と精度が制限される可能性があります。

そのような例の1つとして、プロンプト依存が挙げられます。これは、LLMが目的の出力に関するコンテキストの手がかりを提供するのをプロンプトに「依存」している場合に発生します。最善のシナリオでは、これにより出力がわずかに偏ります。最悪の場合、出力が不正確になります。

LLMエージェントが処理し、保存する膨大な量のナレッジは、管理上の課題につながる可能性があります。これらの課題は、パフォーマンスの低下や不正確な応答として現れる可能性があります。

通常、LLMエージェントは運用効率をさせます。つまりは、エージェントを使用することでROIが向上し、ビジネス全体におけるコストの節約にもつながります。しかし、エージェントが既存のシステムと統合していなかったり、リソースを大量に消費するフレームワーク上に構築されていたりすると、コストが増加し、効率が低下する可能性があります。

MLアルゴリズムが複雑になり、チップセットがより強力になるにつれて、これらのタイプのLLMエージェントとAIエージェントのスマートさとスピードが改善されることが予想されます。また、学習能力の向上も見込めます。実務面においても、このような変化に伴い、AIを搭載したチャットボットが補助的な立場ではなく、人間の担当者と並行して働く機会が生まれます。

B2Bセールスについて考えてみましょう。従来、従業員はLLMを使用してマーケティングや製品コピーを改善し、潜在的なリードを生成してきました。より高度なツールを使用すると、スタッフはエージェントを使用して、詳細なメールキャンペーンを設計して配信し、顧客からの質問に対応できるようになります。これにより、顧客のパーソナライゼーションが改善され、スタッフが長期的な販売戦略の構築に集中する時間が増えるという2つのメリットが得られます。

エンタープライズAIが指数関数的な成長を遂げる中、企業はさまざまなタイプのLLMエージェントの恩恵を受けています。このテクノロジーは、顧客サービスの改善や意思決定の強化に役立つ方法を企業に提供します。また、複雑なマルチステップの問題への対応にもこのテクノロジーを活用できます。

Agentforceは、企業がLLMでリードできるよう支援しています。企業は、自律型AIエージェントを構築し、カスタマイズすることで、人間の従業員のエクスペリエンスと増大するAIの専門知識を組み合わせて、顧客と従業員を24時間年中無休でサポートできます。Agentforceをぜひご自身でお試しください。顧客とのつながりを深め、従業員の効率を改善するのに役立つ方法が見つかります。