用語集
『マルチエージェントコラボレーション』の用語 71 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 |
|---|---|---|
| コンテキストの汚染 | 初期ステップで拾ったエラーや無関係な断片が、後のすべての推論が依存する1つのコンテキストに混ざり込み、後から来る正しい情報でも完全には洗い流せなくなること。 | Effective context engineering for AI agents (Anthropic Engineering) |
| 注意の希釈 | 1つのコンテキストウィンドウに詰め込む内容が増えるほど、どの単一の詳細にも払える注意が薄くなり、多くの詳細を同時に正確に保持する必要があるタスクで見落としが起こること。 | Effective context engineering for AI agents (Anthropic Engineering) |
| 注意の予算 | 大量のコンテキストを解析する際にモデルが引き出す有限の注意の蓄えで、新しく導入されるトークンはそれぞれこの予算をある程度消費する。 | Effective context engineering for AI agents (Anthropic Engineering) |
| 性能の勾配 | コンテキスト起因の劣化の現れ方についてのAnthropicの説明で、ある閾値までは完璧でその先で突然壊れるのではなく、コンテキストが伸びるにつれて品質が緩やかに落ちていくこと。 | Effective context engineering for AI agents (Anthropic Engineering) |
| マルチエージェントシステム | ループの中でツールを自律的に使用する複数のエージェントが、それぞれ独自のコンテキストを持ちながら1つのタスクに協力して取り組む構成。 | How we built our multi-agent research system (Anthropic Engineering) |
| 調整のオーバーヘッド | 複数のエージェントに作業を分割して協力させるために余分にかかる時間とトークンで、タスクの分割、結果の集約、矛盾する出力の調整を含む。 | How we built our multi-agent research system (Anthropic Engineering) |
| 並列化 | タスクのうち互いの中間結果に依存しない本当に切り離せる部分を、別々のエージェントに渡して同時に進めること。 | How we built our multi-agent research system (Anthropic Engineering) |
| 深さ優先タスク | 答えが段階的に辿るしかない1つの推論の連鎖の中にあり、ステップ同士が密結合していて別々のエージェント用にきれいに切り分けられないタスク。 | How we built our multi-agent research system (Anthropic Engineering) |
| 幅優先タスク | 答えが互いの中間結果に依存せず別々に追いかけられる、比較的独立したいくつかの方向に広がっているタスク。 | How we built our multi-agent research system (Anthropic Engineering) |
| コンテキストウィンドウ | モデルが1回の推論で保持できる情報の範囲。マルチエージェントはこれをエージェントごとに分けることで汚染と希釈を和らげる。 | How we built our multi-agent research system (Anthropic Engineering) |
| 単一エージェントシステム | タスクを分割せずマルチエージェントも導入せず、1つのエージェントで最初から最後までやり切る構成。 | Building effective agents (Anthropic Engineering) |
| スケーリングの経験則 | タスクの複雑さに対してエージェント数を見積もるAnthropicの目安。単純な事実確認は1エージェントと3から10のツール呼び出し、直接比較は2から4のサブエージェントでそれぞれ10から15の呼び出し、責任をきれいに分割できるほど複雑な調査だけが10を超える。 | How we built our multi-agent research system (Anthropic Engineering) |
| 経済的な実行可能性 | マルチエージェントシステムは、タスク自体の価値が、性能向上と引き換えの追加トークンコストを支払えるほど高い場合にのみ成立するという条件。 | How we built our multi-agent research system (Anthropic Engineering) |
| 関心の分離 | サブエージェントがもたらすものについてのAnthropicの言い方で、エージェントごとに異なるツール・プロンプト・探索パスを持たせて経路依存を減らし、1つの行き詰まりが他のエージェントを引きずらないようにすること。 | How we built our multi-agent research system (Anthropic Engineering) |
| オーケストレーター・サブエージェント | 中央のLLMが動的にタスクを分解し、ワーカーLLMに委任し、その結果を統合するアーキテクチャ。 | Building effective agents (Anthropic Engineering) |
| オーケストレーター | 作業をどう分割するか、誰が何を受け持つか、返ってきた複数の結果をどう1つの一貫した答えにつなぐかを決める中央のエージェント。 | Building effective agents (Anthropic Engineering) |
| サブエージェント | オーケストレーターから委任された1つのタスクを、新鮮で分離されたコンテキストウィンドウの中で完了し、結果を返すエージェント。 | Create custom subagents (Claude Code Docs) |
| コンテキストの分離 | 各エージェントの作業範囲を独自のコンテキストウィンドウに限定し、1つのエージェント内のコンテキストの汚染が他のエージェントに広がらないようにすること。 | Create custom subagents (Claude Code Docs) |
| ファンアウト | 分割したサブタスクを、対応する数のサブエージェントに並列に配布し、順番待ちさせずに一斉に作業を始めさせること。 | Building effective agents (Anthropic Engineering) |
| 集約 | ファンアウトの後、独立に生成された複数の結果を並べて比較し、重複や矛盾を解決し、最終成果物の形に再編成するステップ。 | Create custom subagents (Claude Code Docs) |
| 結論だけを返す | サブエージェントは回り道や自己修正を含む推論の軌跡ではなく、最終的で擁護可能な結論とそれを裏付ける主要な証拠だけをオーケストレーターに返すべきだという原則。 | Create custom subagents (Claude Code Docs) |
| フォーク | 新しく始める代わりにこれまでの会話全体を継承するサブエージェント。自身のツール呼び出しはメインの会話の外に留まり、最終結果だけが戻ってくる。 | Create custom subagents (Claude Code Docs) |
| Managerパターン | OpenAI Agents SDKにおけるオーケストレーター・サブエージェント構造の呼び名で、中央のマネージャーが特化したサブエージェントをツールとして呼び出し、会話のコントロールを保持する。 | Agents (OpenAI Agents SDK) |
| 分解する | オーケストレーターの3つのアクションの1つ目。1つの大きなタスクを見て、どのチャンクに分かれるかを判断すること。 | Building effective agents (Anthropic Engineering) |
| 委任する | オーケストレーターの3つのアクションの2つ目。各チャンクを、必要な背景とともにサブエージェントに渡して実行させること。 | Building effective agents (Anthropic Engineering) |
| 統合する | オーケストレーターの3つのアクションの3つ目。サブエージェントが結果を返したら、それらを最終的な答えにまとめること。 | Building effective agents (Anthropic Engineering) |
| 伝言ゲーム | サブエージェントの結果がオーケストレーターを経由する途中で言い換えられ圧縮され、詳細を失っていくこと。ファイルシステムに直接書き出すのが回避策の1つ。 | How we built our multi-agent research system (Anthropic Engineering) |
| 自己完結型 | 委任プロンプトの性質で、それを読んだ後にサブエージェントが追加の背景なしで何をすべきかを正確に判断できること。 | Create custom subagents (Claude Code Docs) |
| ソースガイダンス | 委任プロンプトのうち、答えをどこで探すべきかをサブエージェントに伝える部分。公式の価格ページか、第三者の比較サイトか、両方でどちらを優先するか。 | How we built our multi-agent research system (Anthropic Engineering) |
| タスク境界 | 委任プロンプトのうち、この実行はこのスライスだけをカバーし、それを超えて手を伸ばさないとサブエージェントに伝える部分。 | How we built our multi-agent research system (Anthropic Engineering) |
| 1つの問題領域、1つのエージェント | 各サブエージェントは、無関係な仕事をいくつも同時に抱えるのではなく、明確に境界された1つのクラスの問題だけを所有すべきだという原則。 | How we built our multi-agent research system (Anthropic Engineering) |
| CitationAgent | 文書と調査レポートを処理して引用の具体的な位置を特定し、すべての主張がソースに適切に帰属されることを保証する、Anthropicの本番システムの専用サブエージェント。 | 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サブエージェントに渡すタスクブリーフ。その品質の上限が、サブエージェントが生み出すものの品質の上限を決める。 | How we built our multi-agent research system (Anthropic Engineering) |
| 曖昧な指示 | 「半導体不足を調査する」のように、時間範囲も角度もソースも成果物も固定せず、サブエージェントに即興を強いるブリーフ。 | How we built our multi-agent research system (Anthropic Engineering) |
| 出力フォーマット | 委任プロンプトのうち、サブエージェントの成果物がどんな形をとるべきかを述べる部分で、オーケストレーターが結果をそのまま使えるかどうかを決める。 | How we built our multi-agent research system (Anthropic Engineering) |
| タスクを誤解 | 詳細でないタスク記述をもとにサブエージェントが要求を読み違え、オーケストレーターの意図とずれたものを出してくる失敗。 | How we built our multi-agent research system (Anthropic Engineering) |
| パイプライン | タスクを一連のステップに分解し、各LLM呼び出しが前の呼び出しの出力を処理していくコラボレーションパターン。 | Building effective agents (Anthropic Engineering) |
| プロンプトチェーニング | パイプラインパターンの公式名称で、タスクが順番に実行される一連のステップに分解されることを強調する。 | Building effective agents (Anthropic Engineering) |
| プロデューサー・レビュアー | 一方のLLM呼び出しがレスポンスを生成し、もう一方がループの中で評価とフィードバックを提供し、収束するまで繰り返すコラボレーションパターン。 | Building effective agents (Anthropic Engineering) |
| エバリュエーター・オプティマイザー | プロデューサー・レビュアーパターンの公式名称で、一方の呼び出しが生成し、もう一方が評価してフィードバックを返すことを強調する。 | Building effective agents (Anthropic Engineering) |
| マルチパースペクティブ投票 | 複数のエージェントが既に存在する同じコンテンツをそれぞれ独立に並列で判断し、1つでも問題を見つけたらフラグを立てるコラボレーションパターン。 | Building effective agents (Anthropic Engineering) |
| ハンドオフ | 対等なエージェント同士が制御を直接受け渡し、引き継いだ専門エージェントが会話そのものを引き受ける、中央ノードを持たないコラボレーション様式。 | Agents (OpenAI Agents SDK) |
| Peer agents | ハンドオフ型の構成における対等な立場のエージェントで、固定した上下関係を持たず、互いに直接制御を受け渡す。 | Agents (OpenAI Agents SDK) |
| decentralized | ハンドオフ型コラボレーションを特徴づける性質で、制御が1つの中央ノードに保持され続けるのではなく、対等なエージェント間を直接渡っていくこと。 | Agents (OpenAI Agents SDK) |
| 会話のコントロール | 次に何が起こるかを操縦する権限。オーケストレーター・サブエージェントでは中央が保持し続け、ハンドオフでは受信エージェントに移る。 | Agents (OpenAI Agents SDK) |
| 単一の実行 | ハンドオフが留まる境界。制御の転送はこの実行の中でのみ有効で、後の独立した実行には持ち越されない。 | Handoffs (OpenAI Agents SDK) |
| trust-then-verify gap | モデルがもっともらしく見えるがエッジケースを処理しない実装を出してくる失敗モードの公式名称。対処は必ず検証を用意すること、検証できないなら出荷しないことである。 | Best practices for Claude Code (Claude Code Docs) |
| チェック可能な基準 | そのタスクのために定義された具体的な検証基準で、出力を印象でスコアするのではなく一項目ずつ突き合わせて測れるもの。 | How we built our multi-agent research system (Anthropic Engineering) |
| LLM ジャッジ | Anthropicの本番システムで、各サブエージェントの出力をルーブリックの基準に対して評価する役割。 | How we built our multi-agent research system (Anthropic Engineering) |
| 事実の正確性 | LLM ジャッジのルーブリック基準の1つ。出力に書かれた主張が、引用したソースと一致しているか。 | How we built our multi-agent research system (Anthropic Engineering) |
| 引用の正確性 | LLM ジャッジのルーブリック基準の1つ。引用されたソースが、それが付いている主張と実際に対応しているか。 | How we built our multi-agent research system (Anthropic Engineering) |
| ソースの品質 | LLM ジャッジのルーブリック基準の1つ。サブエージェントが品質の低い二次ソースではなく一次ソースを使ったか。 | How we built our multi-agent research system (Anthropic Engineering) |
| 重複作業 | 複数のサブエージェントが同じ範囲をカバーし、大きく重なる出力を返すこと。たいてい結果を集約する瞬間に初めて表面化する。 | How we built our multi-agent research system (Anthropic Engineering) |
| 結果の衝突 | 2つのサブエージェントがそれぞれ独自に調査し、互いに矛盾する結論を返すこと。どちらかを適当に選ぶことでも差を分けることでも解決できない。 | How we built our multi-agent research system (Anthropic Engineering) |
| 誤った帰属 | 統合段階のエラーで、あるサブエージェントが見つけたデータを、別のサブエージェントが担当していたスライスについての結論として書き上げてしまうこと。 | How we built our multi-agent research system (Anthropic Engineering) |
| 統合段階 | オーケストレーターが重複コンテンツをマージし、矛盾する結論を検証またはフラグし、すべての主張が正しいソースに遡れるかを確認する締めのステップ。 | How we built our multi-agent research system (Anthropic Engineering) |
| 重複排除 | 統合のうち、複数のサブエージェント出力にまたがる重なった内容をマージし、最終結果が同じことを二度言わないようにする部分。 | How we built our multi-agent research system (Anthropic Engineering) |
| 構造化されたレビュー結果 | 全体を包む自然言語の評決ではなく、`{approved, issues}` のような固定フィールドで返されるレビューで、後続のコードが読んで動作を分岐できるもの。 | How we built our multi-agent research system (Anthropic Engineering) |
| MAX_ROUNDS | パイプラインが回すプロデューサー・レビュアーのラウンド数の上限で、2つのエージェントが延々と磨き合うのを防ぐ。 | Building effective agents (Anthropic Engineering) |
| 安全弁 | ループが必ず終了することを保証する仕組み。このレッスンのパイプラインでは `MAX_ROUNDS` がその役を担う。 | Building effective agents (Anthropic Engineering) |
| REVIEW_CRITERIA | このレッスンのコードでレビュアーに渡される明示的なチェックリストで、下書きを一項目ずつ照合させる具体的な基準を並べたもの。 | How we built our multi-agent research system (Anthropic Engineering) |
| runProducer | このレッスンのコードで下書きを生成または修正する関数。再実行時には前のバージョンとレビューメモを運ぶので、プロデューサーはゼロから書き直すのではなく修正する。 | Using the Messages API (Claude API) |
| runReviewer | このレッスンのコードで、下書きを `REVIEW_CRITERIA` に対して一項目ずつ照合し、レビュー結果を返す関数。 | How we built our multi-agent research system (Anthropic Engineering) |
| parseReview | このレッスンのコードで、レビュアーのテキスト返信を構造化オブジェクトに変換し、パースに失敗したときやフィールドの形が違うときは却下を返す関数。 | Best practices for Claude Code (Claude Code Docs) |
| extractJson | このレッスンのコードで、モデルの返信にマークダウンのコードフェンスが付いていれば剥がし、中のJSONをパースできるようにするヘルパー。 | Structured outputs (Claude API) |
| approved | レビュー結果の真偽値フィールドで、この下書きがレビュー基準を通過したかどうかを示す。 | Structured outputs (Claude API) |
| issues | レビュー結果の配列フィールドで、失敗した各基準とその具体的な問題を列挙する。すべて通れば空になる。 | Structured outputs (Claude API) |
| 防御的なパース | モデルの返信が約束のフォーマットに従うと信じ込まず、フェンスを剥がし、パースエラーを捕まえ、フィールドの型を検証する自前のチェックを回りに書くこと。 | Structured outputs (Claude API) |
| 構造化出力 | モデルのレスポンスがスキーマに厳密に一致することをサンプリングレベルで保証し、有効でパース可能な出力を約束する公式機能。 | Structured outputs (Claude API) |
| ステートレス | Messages API の性質で、APIがリクエスト間で状態を保持しないため、すべてのリクエストが必要な完全な会話履歴を運ばなければならない。 | Using the Messages API (Claude API) |
| runPipeline | このレッスンのコードで、プロデューサー、レビュアー、パーサーを `MAX_ROUNDS` で区切ったループに配線し、上限に達したら未解決の問題とともに最後の下書きを引き渡す関数。 | Building effective agents (Anthropic Engineering) |