Building Persona-Based Agents On Demand: Tailoring Multi-Agent Workflows to User Needs

論文「Building Persona-Based Agents On Demand: Tailoring Multi-Agent Workflows to User Needs（オンデマンドでのペルソナベースエージェントの構築：マルチエージェントワークフローのユーザーニーズへの最適化）」（Arbore、Sillano、De Russis 著）に基づき、詳細な技術的サマリーを以下に示す。

1. 問題定義

大規模言語モデル（LLM）を搭載した現在のマルチエージェントシステム（MAS）は、設計時の構造的制約に苦しんでいる。

• 固定された設計時選択: 既存のシステムは、ハードコードされたエージェント役割、事前定義された調整パターン、およびデプロイ前に確立された静的な相互作用フローに依存している。
• 適応性の欠如: これらの固定スキーマは、プロンプトの手動書き換えやオーケストレーションロジックの再構築なしに、特定のユーザーニーズ、専門性レベル、または文脈的なニュアンスに相互作用を最適化することを困難にする。
• ギャップ: 「ペルソナプロンプティング」が LLM の推論と出力スタイルに影響を与えることは知られているが、現在のエージェントアーキテクチャはペルソナを動的なランタイム変数として扱っていない。むしろ、それらは適応性のための中核的なアーキテクチャコンポーネントではなく、静的な「スタイリングエディタ」として留まっている。

2. 手法：オンデマンド・ペルソナ生成パイプライン

著者らは、エージェント設定を設計時からランタイムへ移行させる新しいパイプラインを提案する。このシステムは、ユーザーのクエリ、特性、およびタスクの文脈に基づいて、エージェントのペルソナと役割を動的に合成する。

このパイプラインは、セッション内の複数のクエリにわたって一貫性を維持するセッションベースモデルで動作し、中央のオーケストレーターによって管理される 4 つの明確なステップで構成される。

ステップ 1：クエリ分析

オーケストレーターは、事前定義されたテンプレートを強制することなく、生でオープンエンドなユーザー入力を構造化された表現に変換する。

• ProfileEncode（プロファイルエンコード）: ユーザーのクエリ（明示的または暗黙的なシグナル）を分析して、ユーザープロファイル（$u$）を生成する。これにより、ドメインの専門性、好みのコミュニケーションスタイル、タスクへの慣れ、および特定の意図が捉えられる。
• TaskDecompose（タスク分解）: クエリを一連の離散的なタスク（$t_1...t_n$）に分解する。重要なのは、このステップがタスク間の依存関係をマッピングし、並行して実行可能なタスクと逐次的に実行しなければならないタスクを決定することである。

ステップ 2：エージェント生成とインスタンス化

これは、静的な役割が動的合成に置き換えられる中核的な革新である。

• PersonaCraft（ペルソナクラフト）: 各サブタスクに対して、システムは動的にペルソナ仕様（$p_i$）を作成する。この仕様は、エージェントの役割、ドメイン能力、コミュニケーションスタイル、およびツール使用能力を定義する。重複する役割が作成されないように保証し、ユーザープロファイルと整合性を取る。
• AgentFactory（エージェントファクトリー）: 合成されたペルソナを使用して、LLM ベースのエージェントインスタンス（$a_i$）をインスタンス化する。ペルソナは、エージェントの推論スタイル、相互作用の行動、および出力形式を形成する設定レイヤーとして機能する。

ステップ 3：エージェント割り当てと実行

オーケストレーターは、ステップ 1 で生成された依存関係グラフに基づいて実行フローを管理する。

• スケジューリング: 依存関係のないタスクは並行して実行され、依存するタスクは逐次的にキューイングされる。
• 制御された情報ルーティング: エージェントは、先行するエージェントから必要な特定の文脈と部分的な結果のみを受け取る。これによりモジュール性が維持され、エージェントが他者の内部動作を知る必要がなくなる。
• 実行: 各エージェントは割り当てられたタスク（$r_i$）を実行し、部分的な結果を返す。

ステップ 4：回答の集約と表示

• 統合: オーケストレーターは、すべての部分的な結果（$r_1...r_n$）を集約する。
• 洗練: 回答を統合し、矛盾を解決し、冗長性を除去し、最終的な出力をユーザーが要求したスタイルと形式に整合させる。
• 配信: 単一の整合性のある回答（$R$）がユーザーに配信される。

セッションの継続性: ユーザーが同じセッション内で新しいクエリを送信した場合、パイプラインは再実行される。以前インスタンス化されたエージェントとペルソナは保持され、追加の専門化が必要な場合にのみ新しいものが追加される。

3. 主要な貢献

1. ランタイム・ペルソナ合成: 本論文は、エージェントの役割や相互作用ポリシーが固定定数ではなく、ユーザーの文脈に一致するようオンデマンドで生成されるランタイム変数であるというフレームワークを導入する。
2. 体系的な統合パイプライン: ペルソナ作成をエージェントオーケストレーションループに直接統合する 4 段階の技術的パイプライン（分析、生成、実行、集約）を詳述する。
3. セッションベースの適応性: この設計により、システムはセッション内で進化し、有用なエージェントを保持しつつ、必要に応じて動的に新しいエージェントを追加することが可能となり、システム全体の再起動なしに一貫性を確保する。
4. ユーザーとシステムトポロジーの分離: システムがユーザーに適応するものであり、ユーザーが固定されたエージェントトポロジーに適応することを強制するものではない。

4. 結果と評価

注：これはワークショップ（AutomationXP26）のためのポジショニングペーパーまたは提案書であるため、本文には定量的な実証結果（ベンチマークスコア、遅延指標、またはユーザー研究の統計など）は提示されていない。

• 定性的な論拠: 著者らは、このアプローチが、硬直的なマルチエージェントシステムにおいてユーザーが経験する「摩擦」に対処すると主張する。
• 理論的検証: この手法は、ペルソナプロンプティングが推論戦略、ゼロショット性能、および相互作用の質（信頼性、関与度）に影響を与えることを示す既存の研究を活用している。
• 設計パラダイムの転換: 「結果」は、画一的な設定から文脈に敏感な適応性へと移行する、エージェントプラットフォームのための新しい設計パラダイムとして提示されている。

5. 意義と影響

• 強化されたパーソナライゼーション: ペルソナを制御変数として扱うことで、システムは多様なユーザーの背景、専門性レベル、および好み（例：トーン、詳しさ）に相互作用を最適化できる。
• 適応性のスケーラビリティ: 手動設定のスケーラビリティ問題を解決する。何千もの事前定義されたエージェントプロファイルを作成する代わりに、システムは特定の瞬間に必要なプロファイルを生成する。
• 人間と AI の協働: このアプローチは、複雑なエージェント階層を理解する必要があるユーザーの認知的負荷を軽減する。システムは、ユーザーの意図に合わせて形を変える「流動的」なインターフェースとなる。
• エージェント型 AI の未来: 本論文は、オンデマンド・ペルソナ生成を、次世代のアクセス可能で意味のあるエージェントシステムのための基礎的なアーキテクチャの柱（メモリ、ツール、オーケストレーション alongside）として位置づけている。