Graph Engineering in the Era of LLM Agents: From Individual Intelligence to System Intelligence
本論文は、個々の知能の限界を克服するために、複数の特化したエージェントを組織化、調整、および進化させ、複雑で共通の目的を達成可能な一貫したシステムへと構築する明示的かつ動的なグラフ構造を構築することにより、LLMエージェントシステムのための新しいパラダイムとして「グラフ・エンジニアリング」を導入するものである。
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
ここ数年、コンピュータはかつては不可能と思われていたほどの流暢さで言葉を操る術を学習してきました。これらの大規模言語モデルは、物語を書き、数学の問題を解き、複雑な文書を要約することができます。しかし、「質問に答えることができるコンピュータ」と「実際に仕事をこなすことができるコンピュータ」の間には違いがあります。回答から実行へと移行するために、研究者たちは「エージェント」を構築しました。エージェントとは、問題を検討し、どのツールを使うかを決定し、コードを書いたりインターネットで検索したりといった現実世界でのアクションを起こすことができる「デジタル・ワーカー（デジタルの労働者）」だと考えてください。しばらくの間、焦点は「単一の、極めて有能なワーカー」を作ることに置かれていました。もし、一つのエージェントを十分に賢くし、十分なメモリとツールを与えれば、あらゆるタスクを処理できるはずだという考え方でした。
しかし、これらのデジタル・ワーカーがより困難な現実世界の課題に取り組み始めると、新たな問題が現れました。仕事の中には、たとえ非常に賢いデジタル・ワーカーであっても、一人では対処できないほど規模が大きく、混沌としていたり、複雑であったりするものがあるのです。あるタスクは、専門家チームによる同時並行の作業を必要とするかもしれませんし、あるいは、別の者の成果物をダブルチェックすることを必要とするかもしれません。また、今起きていることを理解するために、数時間前の出来事の記録が必要になることもあるでしょう。どれほど熟練した単一のワーカーであっても、次第に圧倒されてしまうのです。それは一つの長い思考の連鎖の中で全てを行おうとし、その結果、細部の把握を見失ったり、手順を混同したり、あるいは問題が発生した際に復旧できなくなったりします。問いは、「いかにして、一人の優秀なワーカーから、共に働く一つの組織へと移行するか」というものになりました。
大規模な研究チームによる新しい調査は、「グラフ・エンジニアリング（Graph Engineering）」と呼ばれる解決策を提案しています。研究者たちは、人工知能の次のステップは、個々のエージェントをより賢くすることではなく、それらを一つのシステムとして組織化することであると主張しています。彼らは、デジタル・ワーカーのチームを管理する最善の方法は、その作業を「グラフ」として知られる、接続のマップのような構造を用いてマッピングすることであると示唆しています。このシステムにおいて、グラフは単なる図解ではありません。それはチームの「オペレーティング・システム」なのです。グラフは、誰が何を、どのように行うのか、そしてプロジェクトの状態がどのように保存され更新されるのかという間の線を、明示的に描き出します。
研究者たちは、単一の作業ループに単にエージェントを追加するだけでは、問題は解決しないことを発見しました。もし10人のエージェントが、一つの長い会話の中で全てを行おうとしたとしても、彼らは混乱してしまうでしょう。代わりに、仕事は明確な構造へと分解されなければなりません。研究者たちは、この新しいアプローチの主要な3つの要素を説明しています。第一に、「仕事自体の組織化」です。「このソフトウェアを修正せよ」といった曖昧な目標の代わりに、システムは目標を具体的な小さなタスクへと分解し、どのタスクが他に依存しているかを示すマップを描きます。これにより、異なる部分の作業が、長い列で順番を待つのではなく、同時に進行することが可能になります。
第二に、システムは「チームを組織化」しなければなりません。グラフベースのシステムでは、各エージェントはそれぞれの得意分野に基づいて特定の役割を割り当てられます。情報を探すことに長けたエージェントもいれば、コードを書くのが得意なエージェント、あるいはレビュアー（査読者）として適したエージェントもいます。グラフはマネージャーとして機能し、誰が誰と話し、いつ話すべきかを決定します。これにより、適切な人物に適切な仕事が行き渡り、作業がスムーズに流れるようにします。これは、単一のエージェントが一度にすべての役割を演じようとしたときに起こる混乱を防ぐものです。
第三に、そしておそらく最も重要なのは、システムが「作業の状態（ステート）を管理」することです。単一エージェントのシステムでは、プロセスの初期段階でミスが発生すると、エージェンドがどこで間違ったのかを正確に忘れてしまうため、その後のプロセス全体が台無しになることがあります。しかし、グラフベースのシステムでは、すべてのステップが構造化された形で記録されます。もし失敗が起きた場合、システムはマップを参照して、エラーが発生した箇所を正確に特定し、プロジェクト全体をやり直すことなく、その部分だけを修正することができます。これは、何が起こり、誰がそれを実行し、その結果はどうであったかという明確な履歴を保持し、チームが迅速かつ正確にミスから回復することを可能にします。
論文では、多くの既存プロジェクトをレビューし、このアプローチがすでにどのように活用されているかを示しています。例えばソフトウェア・エンジニアリングにおいては、エージェントのチームがコードを書き、テストを行い、バグを修正することを同時に行っており、中央のシステムが依存関係を追跡しています。科学研究においては、エージェントが仮説を生成し、実験を行い、データを分析するように組織化されており、システムが結果の検証とプロセスの再現性を確保しています。ヘルスケアにおいては、このアプローチが異なる専門家を調整して長期的な患者ケアを管理するのに役立ち、意思決定と結果の一貫した記録を保持しています。
研究者たちは、これがまだ発展途上の分野であることも注意深く述べています。これらの構造化されたマップを用いてチームを組織するというアイデアは強力ですが、まだ完璧な解決策ではありません。レビューされたシステムは有望な兆しを見せていますが、多くの場合、初期の構造を設定するために依然として人間を必要としています。将来の課題は、単にマップに従うだけでなく、経験から学び、自らマップを書き換え、時間の経過とともに組織化と連携の仕方を向上させることができるシステムを構築することです。論文は、インテリジェントなシステムの未来は、単一の「神のごときコンピュータ」を作ることではなく、作業の構造がワーカーの知能と同じくらい重要であるような、よく組織化されたチームを構築することにあると示唆しています。タスク、エージェント、そしてメモリの組織化を、動的で進化し続ける構造として扱うことで、私たちはより信頼性が高く、より有能で、現実世界の複雑な問題にうまく対処できるシステムを構築できるのです。
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。