ChatGPTのAIAgentシステムアーキテクチャ

背景

前回の記事ではChatGPTの限界について説明しました。ChatGPTだけでは対応できない部分を補うために、本記事を書きました。

完全なAIエージェントシステムアーキテクチャ

                User
                 │
                 ▼
        ┌─────────────────┐
        │   API Gateway   │
        └─────────────────┘
                 │
                 ▼
        ┌─────────────────┐
        │ Agent Controller│
        └─────────────────┘
                 │
   ┌─────────────┼─────────────┐
   ▼             ▼             ▼
*Planner     *Tool Router    *Memory
   │             │             │
   ▼             ▼             ▼
*Workflow    Tool System     Storage
Engine           │               │
   │             │               │
   ▼             ▼               ▼
 *Skills      MCP Tools      Vector DB
                 │
                 ▼
            External APIs
           

モジュール1：Agent Controller（システムの中枢）

役割：

AIタスクの全工程をコントロールする

責任：

1. ユーザーリクエストを受け取る
2. Plannerを呼び出す
3. Toolを実行する
4. Memoryを更新する
5. 結果を返す

ワークフロー：

User Query
   │
   ▼
Controller
   │
   ▼
Plan → Execute → Observe → Loop

これは典型的なAgentループです：

while not done:
    think
    act
    observe

この考え方は以下に由来します：

ReAct Agent

モジュール2：Planner（タスクプランナー）

Plannerの役割：

複雑なタスクを複数のステップに分解する

例：ユーザーが以下を質問した場合

最近のAI企業の直近5件の資金調達状況を分析し、レポートを書いてほしい。

Plannerは以下を生成します：

Plan:

1. AI資金調達ニュースの検索
2. 企業名の抽出
3. 資金調達額の取得
4. データの集計
5. レポートの生成

出力：

{
 "steps":[
  "search_news",
  "extract_companies",
  "get_funding_data",
  "generate_report"
 ]
}

Plannerは以下を用いることができます：

LLM（大規模言語モデル）

または：

ステートマシン

モジュール3：Tool Router（ツールルーター）

役割：

どのツールを呼び出すかを決定する

例：

ユーザー質問：「東京の天気は？」

Router：

weather_api

ユーザー質問：「ユーザーの注文を調べて」

Router：

database_query

Routerの戦略：

方法1

LLM Router

LLMがツールを判定

方法2

Embedding Router

クエリのembeddingと
ツールのembeddingの類似度で判断

方法3

ルールベースRouter

if "weather"
→ weather tool

商用システムでは通常：

LLM + ルールベース

モジュール4：Tool System（ツールシステム）

ツールはAIシステムの最重要機能。

ツールの種類：

1 APIツール

例：

weather API
stock API
crypto API

2 データベースツール

例：

SQLクエリ
ベクトル検索

3 システムツール

例：

メール送信
カレンダー作成
ファイル読み込み

4 計算ツール

例：

Python
コードインタプリタ

代表的なToolスキーマ：

{
"name": "search_news",
"description": "search latest news",
"parameters": {
 "type":"object",
 "properties":{
   "query":{"type":"string"}
 }
}
}

モジュール5：Skills（スキルシステム）

Skillsは：

ツールの組み合わせ

例：

Skill：

Research Report

内部ワークフロー：

search
extract
analyze
summarize

Skillは実質的に：

ミニワークフロー

例：

skill_generate_report()

Skillのメリット：

1. 再利用性の向上
2. Agentの複雑さを軽減

モジュール6：Memory（メモリシステム）

AIシステムには長期記憶が必須。

Memoryは3種類に分けられる：

1 ショートタームメモリ

現在の対話内容。

例：

会話履歴

2 ロングタームメモリ

ユーザー情報：ユーザーの嗜好、背景、過去の行動

保存先：

1. Redis
2. データベース

3 セマンティックメモリ

知識記憶：

embedding、ベクトルDB

例：

ドキュメント

ノート

ナレッジベース

よく使われる：

Pinecone

Qdrant

Weaviate

モジュール7：RAG（知識検索）

メリット：ハルシネーションの軽減

詳細は過去記事参照

モジュール8：Workflow Engine（ワークフローエンジン）

複雑なタスクでは：

ワークフローエンジンが必要

例：

Step1
Step2
Step3

サポート機能：

1. リトライ
2. タイムアウト
3. 分岐
4. 並列処理

主なOSS：

Temporal

Apache Airflow

Prefect

モジュール9：MCP（ツール標準化）

将来のトレンド：

Model Context Protocol

役割：

ツールのインターフェース統一

例：

filesystem
browser
database

すべてのツールがMCPで公開される。

Agentの呼び出し：

MCPクライアント

• Previous
  AIAgent System Architecture of ChatGPT
• Next
  ChatGPT之AIAgent系统架构