技術的概要：適応型タスクグラフによる言語エージェントチームの効率性向上

問題提起

大規模言語モデル（LLM）チームは、複雑な協調タスクを解決するためにますます展開されるようになっているが、既存の調整アーキテクチャは、構造と適応性の間で根本的な緊張関係に直面している。現在のアプローチは通常、2 つの極端のいずれかを占める。

1. 高度に構造化されたシステム: MetaGPT やリーダー - ワーカー階層などのフレームワークは、固定的な役割、事前に指定されたパイプライン、または a priori に割り当てられた静的なタスク分解に依存している。これらは一貫性を保証する一方で、新たな依存関係の発生、ワークロードのシフト、またはエージェントの失敗が発生した際に適応する柔軟性に欠ける。それらはしばしばボトルネック、単一障害点（例：リーダーの幻覚）、および初期計画が最適でない場合の非効率性に悩まされる。
2. 完全に非構造化/分散型システム: これらはエージェントが自律的に動作することを可能にし、適応性を育む。しかし、それらは頻繁に誤りの伝播、エージェント間の競合（例：ファイルの上書き）、冗長な出力、および超線形な通信オーバーヘッドに悩まされる。調整の足場がない場合、エージェントは互いの作業を上書きしたり、逐次的な依存関係が違反されたことを検出できなくなったりすることが多い。

核心的な課題は、LLM に固有の動的で文脈に敏感な適応能力を維持しつつ、グローバルな一貫性と効率性を維持する調整メカニズムを設計することである。

手法：LATTE フレームワーク

著者は、分散システムプロトコルに着想を得た形式化されたオーケストレーションフレームワークであるLATTE（Task Evolution のための言語エージェントチーム）を提案する。LATTE は、エージェントチームが実行中に共有する動的調整グラフを共同で構築、維持、適応させることを可能にする。

中核アーキテクチャ

• エージェントの役割: チームは、リーダー（$\ell$）とワーカー（$W$）の集合から構成される。
  • リーダーは調整グラフのグローバルな可視性を維持し、グラフ全体に影響を与える演算子（タスクの割り当て、出力の検証、停止したタスクの解放など）を制御する。
  • ワーカーは割り当てられたサブタスクを実行し、ローカルな可視性を持つ。彼らは構造的変更（新しいサブタスクの発見など）を提案し、利用可能な作業を主張できる。
• 動的調整グラフ（$G_t$）: 有向非巡回グラフ（DAG）であり、以下の特徴を持つ。
  • ノードはサブタスクを表す。
  • エッジは依存関係制約を符号化する（ノードは先行ノードが完了するまで開始できない）。
  • 状態（$\lambda_t$）: 各ノードにはエージェントと、$\{pending, assigned, in\_progress, done, verified\}$ の集合からのステータスが割り当てられる。
  • フロンティア（$F_t$）: 未解決の依存関係を持たない保留ノードの集合。これらは並列実行のために直ちに利用可能なタスクを表す。

グラフ変異演算子

LATTE は、DAG 不変性を維持するために、事前条件と事後条件を持つ明示的な演算子のセットを定義してグラフを変異させる。

• DISCOVER: 指定された依存関係を持つ新しい保留ノード（サブタスク）を追加する。リーダーまたはワーカーによって呼び出され得る。
• ASSIGN: リーダーが保留ノードを特定のワーカーに割り当てる。
• CLAIM: ワーカーがアイドル状態の場合、フロンティア（$F_t$）からノードを積極的に主張する。オーバーヘッドを削減するために作業窃取を模倣する。
• COMPLETE: ワーカーが割り当てられたノードを完了としてマークする。
• RELEASE: リーダーが（ハートビート監視を通じて検出された）停止したタスクを保留状態に戻して再割り当てする。
• CLOSE: リーダーがワーカーのシグナルを待たずにノードを完了に強制する（テストは合格したがエージェントが詰まっている場合に使用される）。
• VERIFY: リーダーは高リスクの出力に対して検証ノードを生成し、下流タスクが進行する前にレビューをトリガーする。

実行プロトコル

実行はラウンド単位で進行する。

1. 計画: リーダーがタスクを分解して $G_0$ を初期化する。
2. 監視: ハートビートチェックにより、$H$ ラウンド間非アクティブなエージェント（ストレイガー）を特定する。
3. 配信: アイドル状態のワーカーが $F_t$ からタスクを主張し、リーダーが残りのタスクを割り当てる。
4. 並列実行: 選択されたエージェントがサブタスクを実行する。
5. グラフ更新: エージェントが変異（DISCOVER、COMPLETE、CLAIM）を提案し、これらはリーダーによって直列化され、マージされて $G_t$ が更新される。

このハイブリッドモデルは、更新のリーダーによる直列化による一貫性と、ワーカーによるタスク発見と作業主張の能力による適応性のバランスを取る。

主要な貢献

1. 形式化されたオーケストレーションフレームワーク: LATTE は、明示的なグラフ変異演算子を持つ動的タスクグラフを用いた厳密な実行プロトコルを導入する。この構造は、フロンティアノードを通じた最大並列性などの望ましい実行時特性を誘発する。
2. ハイブリッド中央集権 - 分散モデル: このフレームワークは、ワーカーが構造的変更を提案し、リーダーがそれらを評価する 2 層モデルを採用する。これは、タスク分解の確率的説明（メトロポリス - ヘイスティングスサンプリングに類似）に基づいており、ローカルな適応性とグローバルな一貫性のバランスを取っている。
3. 解釈可能性と監査: 調整決定を進化させるグラフに外部化することで、LATTE はチームの行動を可視化する。著者は、単純な精度を超えてマルチエージェントシステムをベンチマークするための調整指標群（上書き率、同時競合、無駄な文字数、アイドルラウンド、ストレイガーの尾部レイテンシ）を導入する。
4. 実証的検証: 広範な実験により、LATTE が効率性と精度において既存のフレームワークを上回ることが示された。

実験結果

著者は、Claude Sonnet 4-6 および GPT-5.2 を使用して、3 つのタスク（探索的データ分析、デバッグ、ライブラリ拡張）において、LATTE を 4 つのベースライン（MetaGPT、リーダー - ワーカー、分散型、および静的グラフアブレーション）と比較評価した。

• 効率性: LATTE は、次に良い方法（静的グラフ）に対する平均トークンコストを**47.5%**達成し、トークン使用量をほぼ半分に削減した。また、リーダー - ワーカーおよび MetaGPT ベースラインと比較して、実時間（wall-clock time）も大幅に短縮した。
• 精度: LATTE は、最も高い全体的なタスク精度（79.7%）を達成し、静的グラフ（57.6%）、固定パイプライン（33.9%）、分散型チーム（73.9%）を上回った。
• 調整の質:
  • 競合: LATTE は、リーダー - ワーカーと比較してエージェントの上書きを5.3 倍、分散型チームと比較して8.2 倍削減した。
  • 無駄な出力: 破棄された文字数は、1 試行あたり約 45k（リーダー - ワーカー）から約 5k に削減された。
  • 通信: LATTE エージェントは、より少ないメッセージ（20.4 対 31.4–34.8）を送信し、より軽量なコンテンツを交換した。
  • ストレイガー: ハートビートメカニズムにより、LATTE は停止したエージェントから回復でき、静的システムと比較してノードの 95 パーセンタイル完了時間を2.3 倍短縮した。
• 動的適応: 分析により、LATTE チームがグラフ演算子の全範囲を積極的に利用していることが示された。「Discover」が最も頻繁に使用されており、実行中に新たな要件が発生するにつれてチームが調整グラフを拡張していることが確認された。

意義と主張

本論文は、エージェント自身によって維持される明示的な調整構造が、より効率的で解釈可能かつ適応的な LLM チームへの実現可能な道であることを主張する。

• パラダイムシフト: LATTE は、調整構造がシステムアーキテクトによって a priori に課されなければならないという仮定に挑戦する。代わりに、エージェントがオンラインで自らの調整構造を維持・修正することを可能にすることで、チームが実行中に蓄積された証拠に適応できることを実証する。
• コスト削減: トークン消費、実時間、および冗長な通信を削減することで、LATTE は LLM チームに関連する計算コストと財務コストを直接低下させる。
• 堅牢性: このフレームワークは、フォールトトレランス（ストレイガーの回復）と品質管理（選択的検証）のメカニズムを提供する。これらはハードコードされるのではなく、調整プロトコルから自然に出現する。

著者は、単純なタスクにおける計画オーバーヘッド、自然なサブタスクの境界を持つドメイン（コーディングなど）への現在の焦点、およびベンチマークに使用された固定チームサイズといった限界を指摘している。今後の研究として、構造化されていない推論タスクへの演算子の拡張や、グラフ構築および調整プロトコルの最適化のための強化学習の適用が提案されている。