NormCode Canvas: Making LLM Agentic Workflows Development Sustainable via Case-Based Reasoning
この論文は、実行チェックポイントを完全に自己完結的なケースとして扱う半形式的計画言語 NormCode と、それを基盤とした 2 段階のケースベース推論システム「NormCode Canvas」を提案し、LLM エージェントワークフローの開発における状態共有の課題を解決するとともに、計画の生成・デバッグ・改善を自律的に行う持続可能なエコシステムを実現したものである。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
🍳 核心となるアイデア：料理のレシピと「完成したお皿」
通常、AI に「プレゼン資料を作って」「コードを書かせて」といった複雑な仕事をさせると、AI は会話の履歴（メモ帳）を頼りに進めていきます。
しかし、これが**「メモ帳がボロボロで、どこで何を書いたか分からない」**状態だと、失敗した時に「あ、3 行目で間違えたんだな」と特定できず、最初からやり直すしかありません。
この論文のシステムは、**「各工程ごとに『完成したお皿（チェックポイント）』を厳密に管理する」**という考え方です。
1. 従来の方法 vs 新しい方法
従来の方法（LangChain など）：
- 例え： 料理人が「まず野菜を切り、次に炒め、最後に味付け」という作業を、頭の中のメモだけで進めます。
- 問題点： 途中で「塩を入れすぎた！」と気づいても、メモ帳には「野菜を切った時の状態」も「炒めた時の状態」も全部混ざっています。「塩を入れすぎた瞬間」だけを切り取って修正するのは不可能です。だから、最初から全部作り直すしかありません。
NormCode Canvas の方法：
- 例え： 料理人が**「野菜切り完了」「炒め完了」「味付け完了」のたびに、その瞬間の「完成したお皿（チェックポイント）」**をラップで厳密に包んで冷蔵庫にしまいます。
- メリット： もし「味付け」がまずかったら？
- 「野菜切り」や「炒め」のお皿はそのまま冷蔵庫から取り出せます（再計算不要）。
- 「味付け」のお皿だけを開けて、塩の量を調整し直せばいいだけです。
- しかも、その「お皿」の中身（何が入っていたか）が誰が見ても明確なので、失敗の原因がすぐにわかります。
🏗️ システムの 2 つのレベル（2 階建てのビル）
このシステムは、**「具体的な作業（Level 1）」と「作業の設計図（Level 2）」**の 2 つの階層で動いています。
🏢 1 階：具体的な作業（Level 1）
- 何をする？ 実際の AI の作業プロセスです。
- 仕組み： 上記の「お皿（チェックポイント）」を管理します。
- できること：
- 失敗の特定（C1）： 「あ、このお皿（ステップ）でデータがおかしいな」と即座に見つかります。
- 部分的な修正（C3）： 失敗したステップだけを作り直し、前のステップはそのまま使い回せます。
- 再利用（Fork）： 過去の成功した「お皿」を取り出して、新しい料理のスタート地点にできます。
🏢 2 階：設計図の学習（Level 2）
- 何をする？ 「料理のレシピそのもの」を管理・学習します。
- 仕組み： 「プレゼン資料を作るレシピ」や「コードを書くレシピ」という**「設計図（プラン）」**自体を、過去の成功事例として保存します。
- できること：
- 設計図のレビュー（C2）： AI が実際に動き出す前に、人間が「このレシピ（設計図）は正しいか？」を文章で確認できます。
- 設計図の進化： 失敗したレシピを修正して、より良いレシピとして保存します。
🔄 魔法のサイクル：システムが自ら成長する
このシステム最大の特徴は、**「システム自体が自分自身を改良できる」**ことです。
- NC Compilations（レシピ生成機）： 人間が「レポートを書いて」と言うと、AI が自動的に「レポート作成のレシピ（設計図）」を作ります。
- Code Assistant（職人）： そのレシピを使って、実際にコードを書いたり修正したりします。
- Canvas Assistant（検査員）： もし失敗したら、AI 自身が「どこがおかしいか」をチェックし、レシピを修正します。
つまり、**「レシピを作る機械」「料理をする職人」「料理をチェックする検査員」が、すべて AI によって連携し合い、「失敗から学び、より良いレシピを自動で作り続ける」**というエコシステムが完成しています。
🌟 この論文が伝えたいこと（まとめ）
- 問題： 今の AI ワークフローは、失敗した時に「どこがダメだったか」がわからず、修正が大変。
- 解決策： 各工程を「独立した箱（スコープ）」に閉じ込め、箱の中身だけを管理する仕組み（NormCode）を作る。
- 効果：
- 失敗がすぐ見つかる（箱の中身を見れば OK）。
- 失敗した部分だけ直せる（前の箱はそのまま使える）。
- 実行前に設計図を確認できる（人間が「これでいいか」をチェック）。
- システムが自ら成長する（失敗したレシピを修正して、次の世代に活かす）。
一言で言うと：
「AI に複雑な仕事をさせる時、**『失敗しても最初からやり直す必要がない』ように、『工程ごとの箱』を厳密に管理して、システム全体が『失敗から学んで賢くなる』**仕組みを作りました」というお話です。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。