Agent Mentor Learn

用語集

『ループからグラフへ: エージェントシステムのオーケストレーション工学』の用語 74 件。レッスン本文で初出の箇所にホバーすると定義を確認できます。

用語定義出典
ワークフローLLMとツールが、あらかじめ定義されたコードパスを通じてオーケストレーションされるシステム。ステップはハードコードされており、モデルが自律的なのは個々のステップの内側だけ。アーキテクチャ上の区別の片方の端であり、このコースが教える5つのパターンはすべてこちら側に属する。Building Effective AI Agents — Anthropic Engineering
エージェントLLMが自分自身のプロセスを動的に方向づけ、タスクをどう達成するかのコントロールを保持しつづけるシステム。実装はしばしば単純で、典型的には環境からのフィードバックに基づいてループの中でツールを使うLLMにすぎない。Building Effective AI Agents — Anthropic Engineering
チェイニングタスクを一連のステップへ分解し、各LLM呼び出しが前の呼び出しの出力を処理する。ステップの間にはプログラム的なチェックを差し込める。タスクを簡単かつきれいに固定のサブタスクへ分解できるときに向く。Building Effective AI Agents — Anthropic Engineering
ルーティングまず入力を分類し、それから専門化された後続タスクへ振り分ける。関心の分離と、より専門化されたプロンプトを得るための交換。前提条件は、カテゴリが明確に分かれており、分類そのものを正確に扱えること。Building Effective AI Agents — Anthropic Engineering
並列化LLMが複数のサブタスクを同時に扱い、出力をプログラム的に集約するワークフロー。セクショニングと投票という2つの変種を持つ。Building Effective AI Agents — Anthropic Engineering
セクショニングタスクを互いに独立したサブタスクへ分け、並列に走らせること。12本のドキュメントを1本ずつレビューするような形。Building Effective AI Agents — Anthropic Engineering
投票同じタスクを複数回走らせて多様な出力を得て、それをコードで集約すること。しきい値や最良選択の規則はコードに書く。Building Effective AI Agents — Anthropic Engineering
オーケストレーター・ワーカー中央のLLMが動的にタスクを分解し、ワーカーLLMへ委任し、その結果を統合するワークフロー。肝心なのはサブタスクがあらかじめ定義されておらず、具体的な入力に基づいてオーケストレーターが決めること。Building Effective AI Agents — Anthropic Engineering
エバリュエーター・オプティマイザー1つのLLM呼び出しがレスポンスを生成し、別の呼び出しがループの中で評価とフィードバックを提供する。通過するか、進展しなくなるまで繰り返す。評価基準が明確で、反復的な改良が測定可能な価値をもたらすときに向く。Building Effective AI Agents — Anthropic Engineering
ゲートチェーンやループの中に置くプログラム的なチェック。別のモデル呼び出しではなくコードで決定的に判定し、同じ入力なら永遠に同じ結論を出す。基準を満たさない中間結果をそこで止めるために使う。Building Effective AI Agents — Anthropic Engineering
ハーネスループstop_reasonで駆動されるwhileループ。メッセージを送り、停止理由を確認し、tool_useならツールを実行して結果を送り返し、そうでなければ返す。本コースのすべての「ノード」は内部でこのループを走らせている。Building Effective AI Agents — Anthropic Engineering
stop_reasonモデルの各レスポンスにある「このターンがなぜ止まったか」を示すフィールド。ハーネスループはこれに依存して、ツール呼び出しを続けるのか締めくくるのかを決める。Building Effective AI Agents — Anthropic Engineering
最大ラウンド数ループに設ける反復回数の天井。ヒューズであり、どんな状況でもコードが停止することを保証する。制御を保つためのものであって、品質を判定するものではない。Building Effective AI Agents — Anthropic Engineering
ヒューズ「最大ラウンド数」の類の後ろ盾となる停止条件に対する本コースの比喩。通常は発火すべきではなく、発火したということは他の停止メカニズムが捕まえ損ねたということである。Building Effective AI Agents — Anthropic Engineering
決定的な検証器コードで正誤を判定できるチェッカー。コードで判定できるなら、お金を払ってモデルに尋ねない。本コースはこれを「終端状態」から「チェーンのリンクのあいだ」へ移した。Building Effective AI Agents — Anthropic Engineering
階層的な採点コードで判定できることはまずコードで判定し、コードで判定できないものだけをモデルに渡すこと。本コースはこの規律をそのままループのノード順序（ゲートをジャッジの前に）へ写した。Building Effective AI Agents — Anthropic Engineering
結果を明白に改善複雑さを足すのは、それが結果を明白に改善するときだけにすべきだという規律。ノードやパターンの層を1つ足すたびに、このゲートを通さなければならない。Building Effective AI Agents — Anthropic Engineering
誰がプランを持つかシステムが決定性のスペクトラムのどちら側にあるかを判定する軸。プランはコードの手にあるのか（ワークフロー）、モデルの手にあるのか（エージェント）。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation
スクリプト自身がループ、分岐、中間結果を保持ワークフローを記述する一次資料の一文であり、本コースの「グラフ」という比喩の唯一の一次的な錨でもある。プランはスクリプトの中にあり、モデルのコンテキストには最終的な答えだけが載る。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation
逐次の追跡ランタイムが実行の進行につれて各エージェントの結果を追跡すること。これが同一セッション内での再開を可能にする。プロセスをまたいだ復帰には、自分で状態をディスクへ永続化する必要がある。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation
検査・修正・再検査レビュー回路のプロダクト上の形。チェッカーを走らせ、失敗したものを直し、通過するか、あるいは進展しなくなるまで繰り返す。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation
これ以上進展しない最大ラウンド数より賢い停止メカニズム。今ラウンドが前ラウンドを上回ったか（スコアが上がったか、失敗項目の件数が減ったか）を見て、良くならなければ損切りする。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation
敵対的相互レビュー報告される前に、独立したエージェントに互いの発見を敵対的にレビューさせること。報告前の一度きりの相互レビューであり、戻り辺も反復もない。これをレビュー回路にまとめるのは本コースの分類である。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation
グラフ本コース独自のエンジニアリング上の比喩であって公式の用語ではない。5つのパターンを組み合わせるときに関係を明確にするための可視化の体系。唯一の一次の錨は「スクリプト自身がループ、分岐、中間結果を保持する」である。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation
ノード本コースの可視化における点。内部は完結した1つのrunAgentループか、あるいは純粋なコードの一片である。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation
戻り辺レビュー回路の中で、出力を生成ノードへ送り返す線。最初の4つのパターンはすべて一本の線で、レビュー回路が戻り辺を持つ最初のパターンである。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation
分岐点ルーティングに対する本コースの可視化上の点で、「判定結果に基づいて異なる辺を通る」場所。コード上の分岐に対応する。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation
16の同時実行エージェントClaude Codeのワークフローランタイムの同時実行の上限。CPUが制限されていればそれ以下になる。1回の実行あたり合計1,000エージェントが上限である。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation
90.2%マルチエージェントがシングルエージェントを上回った幅。完全な文脈の中でのみ成立する: 彼らの社内リサーチ評価、Opus 4のリード + Sonnet 4のサブエージェント、とりわけ幅優先型のクエリで優れる、という条件である。How we built our multi-agent research system — Anthropic Engineering
4×彼ら自身のデータによれば、エージェントはチャットのやり取りのおよそ4倍のトークンを使う。How we built our multi-agent research system — Anthropic Engineering
15×彼ら自身のデータによれば、マルチエージェントシステムはチャットのやり取りのおよそ15倍のトークンを使う。経済的に成立させるには、タスクの価値がその向上の対価を払えるほど高くなければならない。How we built our multi-agent research system — Anthropic Engineering
90%2階層の並列化（リードが3〜5のサブエージェントを並列に立ち上げ、サブエージェントが3つ以上のツールを並列に使う）を導入したあと、複雑なクエリでリサーチの時間が削減された最大の割合。レイテンシの数字であって品質の数字ではない。How we built our multi-agent research system — Anthropic Engineering
委任プロンプトオーケストレーターが各ワーカーへ渡すタスク記述。自己完結していて4要素が揃っていなければならず、さもなければワーカーは作業を重複させ、抜けを残し、必要な情報を見つけられない。How we built our multi-agent research system — Anthropic Engineering
4要素適格なディスパッチが書き切らなければならない4つの節: 目的、出力フォーマット、使うツールとソースの指針、明確なタスクの境界。How we built our multi-agent research system — Anthropic Engineering
配額のルールオーケストレーターのプロンプトに書き込むスケーリングの較正。タスクの複雑さに応じてサブエージェント数とサブエージェントあたりのツール呼び出し上限を指定する。エージェントは適切な労力を自分で判断するのが苦手だからである。How we built our multi-agent research system — Anthropic Engineering
スケーリングルール彼らがプロンプトに埋め込んだスケーリングルールの実例: 単純な事実確認はエージェント1体でツール呼び出し3〜10回、直接比較は2〜4体でそれぞれ10〜15回、複雑なリサーチは責務を明確に分けた10体超。How we built our multi-agent research system — Anthropic Engineering
同期実行オーケストレーターがすべてのワーカーの完了を待ってから先へ進む実行モード。ボトルネック: 1体が長引くとバッチ全体が待たされ、結果はすべてオーケストレーターへ返る。How we built our multi-agent research system — Anthropic Engineering
ペイロードではなく参照を渡すワーカーは出力を外部のシステムへ保存し、オーケストレーターへは軽量な参照（ファイルパスと一行のサマリー）だけを返す。詳細な結果をメインの会話へ詰め戻さない。How we built our multi-agent research system — Anthropic Engineering
アーティファクトのシステム専門化されたエージェントが独立に永続する出力（ファイル、外部の記録）を作れるようにし、すべてをリードエージェント経由で中継させないこと。ペイロードではなく参照を渡すことは、これに依存している。How we built our multi-agent research system — Anthropic Engineering
軽量な参照オーケストレーターへ返す短い記録: id、ファイルパス、一行のサマリー。全文が必要な者は、パスをたどって読む。How we built our multi-agent research system — Anthropic Engineering
創発的な振る舞いマルチエージェントシステムにおいて、ステップごとに見ていても予測できない全体の振る舞い。各サブエージェントの小さな判断が積み重なって生じ、些細な変更が連鎖の中で増幅される。How we built our multi-agent research system — Anthropic Engineering
関心の分離各サブエージェントが別々のツール、プロンプト、探索の軌跡を携えることで自然と互いを汚染せず、経路依存性も減らす。ファンアウトが速度以外に買っているものである。How we built our multi-agent research system — Anthropic Engineering
経路依存性1つのループの中で、後のステップの判断が前のステップの言い回しに引っ張られること。独立した複数の軌跡は同じ偏りを共有しないので、経路依存性が下がる。How we built our multi-agent research system — Anthropic Engineering
同じコンテキストを共有今日のマルチエージェントが得意でない場面の1つ。すべてのエージェントが同じコンテキストを見る必要がある仕事や、エージェント間の依存が多い仕事（ほとんどのコーディングタスクなど）で、本当に並列化できる部分がリサーチより少ない。How we built our multi-agent research system — Anthropic Engineering
決定的なセーフガード非決定的なエージェントを包む決定的な仕組み。リトライロジックや定期的なチェックポイントなど。グラフの骨格は決定的で、ノードの内側が非決定的である。How we built our multi-agent research system — Anthropic Engineering
決定的なシステム同じ入力に対して毎回同じ出力を生むシステム。コードで書いたゲート、検証器、集約はすべてこの範疇に入る。Writing effective tools for agents — with agents — Anthropic Engineering
非決定的同じ開始条件からでも異なる応答を生成しうる性質。エージェントはこの型である。Writing effective tools for agents — with agents — Anthropic Engineering
評価タスク1つにつきループ1つ評価を走らせるときの公式の推奨: LLM APIを直接呼び、単純なエージェントのwhileループを使い、評価タスク1つにつきループ1つとする。本コースはこれを「チェーンの1ステージは完結したループである」ことの説明に借りている。Writing effective tools for agents — with agents — Anthropic Engineering
サブエージェントメインの会話から送り出されるエージェント。自分専用の独立したコンテキストウィンドウの中で働き、サマリーだけを返す。探索と実装をメインの会話の外に置き、コンテキストを温存するために使う。Create custom subagents — Claude Code official documentation
メインの会話オーケストレーターの本線のコンテキスト。サブエージェントが完了すると結果はここへ返るので、戻りは軽くなければ保護が負担に転じる。Create custom subagents — Claude Code official documentation
20のサブエージェントClaude Codeの既定の同時実行の上限。セッション内で20のサブエージェントが走っているときにもう1つ立ち上げようとすると失敗し、エラーはリトライしないようモデルへ明示的に伝える。Create custom subagents — Claude Code official documentation
サブエージェントを順番に複数ステップのワークフローに対するClaude Codeの勧め。Claudeにサブエージェントを順番に使わせ、それぞれが完了して結果を返し、関連するコンテキストを次へ渡す。これがチェイニングのプロダクト上の形である。Create custom subagents — Claude Code official documentation
専門化単一のエージェントにあらゆる能力を積み込むのではなく、ドメインに絞ったシステムプロンプトとツールを持つエージェント（セキュリティのエージェント、ドキュメントのエージェント）へ振り分けること。現行のファーストパーティ語彙におけるルーティングの名前である。Multiagent orchestration — Claude API documentation (Managed Agents)
エスカレーション複雑なサブタスクの一部について、より能力の高いエージェントやモデルに相談すること。「相談する」であって完全な引き渡しではない点に注意（コーディネーターは依然として制御を保持する）。Multiagent orchestration — Claude API documentation (Managed Agents)
コーディネーター現行のClaudeプラットフォームのマルチエージェントオーケストレーションにおける並列化の集約役。独立したサブタスクを同時にファンアウトし（複数のソースを検索する、別々のファイルを解析する）、コーディネーターが結果を統合する。Multiagent orchestration — Claude API documentation (Managed Agents)
25の同時スレッドManaged Agentsがサポートする同時実行の上限。コーディネーターは名簿にある1つのエージェントの複数のコピーを呼び出すことができ、それぞれがスレッドを開く。Multiagent orchestration — Claude API documentation (Managed Agents)
同時実行プールN本の固定した「レーン」を開き、各レーンは今の作業を終えると共有カーソルから次を取り、常にN本が飛んでいる状態にする。バッチ処理よりバケツ効果が小さい。本コースのスクリプトではrunPoolと呼ぶ。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation
同時実行の上限同時に飛んでよいタスク数の硬い天井。実在する3つのプロダクト（Claude Code 20、ワークフローランタイム16、Managed Agents 25）がいずれも設けている。上限なしのファンアウトは最適化ではなく事故である。Create custom subagents — Claude Code official documentation
バッチ処理絞り方の1つ: 1バッチN件、バッチ同士は直列。動くがバケツ効果がある——各バッチはそのバッチのいちばん遅い1本が終わるのを待ってから次を始める。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation
Promise.all一群の非同期タスクを同時に走らせ、すべて完了したときに返すパターン。気性: どれか1本の経路がrejectすると全体がrejectし、残りが終わっていてもその結果を受け取れない。Building Effective AI Agents — Anthropic Engineering
ファンアウト1つの仕事を複数のエージェントやノードへ広げて同時に走らせること。速度、独立した視点、並列のコンテキスト容量を買う。コストは結果がオーケストレーターへ返ることであり、実プロダクトはいずれも上限を設けている。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation
合流ファンアウトの結果が戻ってきたあと、コードが絞り込み、集約、判定を行うこと。本コースでは参照だけをファイルから読み戻させ、全文をコンテキストへ詰め込まない。Building Effective AI Agents — Anthropic Engineering
ペイロードワーカーの出力それ自体の詳細な内容。合流のところでペイロードが逆流するとコンテキストが爆発するので、ペイロードではなく参照を渡す。How we built our multi-agent research system — Anthropic Engineering
分類器ルーティングの最初のステップ。入力がどのカテゴリに属するかを判定し、出力を1語へ絞る。モデルでも、伝統的な分類モデルやアルゴリズムでもよい。Building Effective AI Agents — Anthropic Engineering
フォールバック分類が正当なラベルの表に当てはまらなかったときに通る分岐（「other」へ落とすなど）。モデルはときどき1語ではなく一文を返してくるので、フォールバックがこの非決定性を1行の中に封じ込める。Building Effective AI Agents — Anthropic Engineering
決定性スペクトラム本コース独自の言い回しであって公式の用語ではない。ワークフローからエージェントへ至る「誰がプランを持つか」の軸を、決定的から自律的までの連続した範囲として扱ったもの。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation
制御されたクラッシュ本シリーズのコース9の実践。指定した地点で意図的にプロセスを止め、状態が本当にディスクへ落ちているかを検証する。本コースのSTOP_AFTERはその簡略版である。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation
空回りループが何ラウンドも連続して同じことをし、進捗が何一つない状態。本シリーズのコース7のバルブ3（空回り検知）はこれを塞ぐためのものである。Building Effective AI Agents — Anthropic Engineering
原子的な書き込みまず.tmpへ書き、それからrenameで差し替えるディスク永続化の方法。どの瞬間に殺されても、ディスク上にあるのは直前の完全な状態か新しい完全な状態のどちらかで、半分のJSONにはならない。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation
run-state.json本コースのスクリプトの実行トレースのファイル（各ノードの完了ごとに1回、レビューの内側ではチケット1件の判定ごとにもう1回永続化する）。原子的な書き込みによって、どの瞬間でも読める状態が保証される。実行の進捗を記録するもので、「グラフの状態変数」ではない。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation
run.jsonl本コースのスクリプトの構造化ログ。1行1 JSONイベントで、tsとrun_idを持ち、id／カテゴリ／ファイル名／各種カウントだけを記録し、返信の本文は記録しない。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation
スタブクライアント固定の応答キューで本物のAPIを偽装するテスト用の代役。client.messages.create()が事前に書いた応答を順に返し、オーケストレーション全体を依存ゼロ・再現可能に走らせられる。Writing effective tools for agents — with agents — Anthropic Engineering
STOP_AFTER本コースのスクリプトの制御されたクラッシュのスイッチ。mergeに設定するとレビューの前で止まり、終了コードは2で、ファンアウトと合流の状態が本当に永続化されたかを検証するために使う。認識する値はmergeの1つだけである。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation
needs_humanループが適格な出力を生み出せなかったときの結末のマーカー。終了コード1でチケットはここで止まり、人手へ引き継がれる。Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation