AIエージェント用語辞典 2025年【図表付】

1. AIエージェントの基礎概念

AIエージェント (AI Agent)

環境を認識し、自律的に行動するコンピュータプログラム。特定のタスクを達成するために必要な能力やプログラム、その他のツールを備えたAIモデル。典型的なAIエージェントは、環境を認識し（知覚）、意思決定を行い（推論）、目標達成のための行動を実行する（行動）という循環的なプロセスを持つ。

自律エージェント (Autonomous Agents)

AIエージェントの中でも、より高度な自律性を持つものを指す。外部からの直接的な指示がなくても、AIモデル自身が状況を判断して行動を決定できる。自律エージェントは一般的に、長期的な目標設定、計画立案、自己修正能力を持つ。

エージェントアーキテクチャ (Agent Architecture)

AIエージェントの内部構造や仕組みのこと。主なアーキテクチャには、反応型（単純な刺激-反応パターン）、熟考型（内部状態を持ち推論を行う）、ハイブリッド型（両方の特性を持つ）がある。アーキテクチャの選択はエージェントの用途や必要な性能によって異なる。

図１　AIエージェントアーキテクチャの構造図

図1: AIエージェントアーキテクチャの構造図
この図は、典型的なAIエージェントの内部構造を示しています。中央に位置する推論・意思決定モジュールが、知覚モジュールからの入力を処理し、行動モジュールを通じて出力します。内部には知識ベース（事実やルールの保存）、目標管理（優先順位付けと計画立案）、学習メカニズム（フィードバックと適応）の3つのコアコンポーネントがあります。通信インターフェースは他のエージェントやシステムとの連携を担当します。図の下部には主要なエージェントタイプ（反応型、熟考型、ハイブリッド型）を示しています。

知識表現 (Knowledge Representation)

エージェントが知識をコンピューター内でどのように表現するかを示す概念。主な表現方法には、論理ベース（述語論理など）、ルールベース、意味ネットワーク、フレーム、オントロジーなどがある。大規模言語モデルでは、知識は分散表現やニューラルネットワークの重みとして暗黙的に保持される。

合理的エージェント (Rational Agent)

与えられた知識に基づいて、最適な結果をもたらすと期待される行動を選択するエージェント。合理性の定義は、タスクや評価指標によって異なるが、一般的に目標達成のための最適な行動選択能力を指す。

2. AIエージェントの学習・行動原理

強化学習 (Reinforcement Learning)

エージェントが環境との相互作用を通じて、報酬を最大化するような行動を学習する機械学習の手法。Q学習、方策勾配法、深層強化学習（DRL）などが代表的な手法で、AIエージェントが自律的に行動を学習する際に広く用いられる。

反応性 (Reactivity)

環境の変化を感知し、適切なタイミングで対応するAIエージェントの特性。反応性の高いエージェントは、リアルタイムの入力に対して迅速に応答できる。これは特に動的な環境での運用に重要な特性となる。

能動性 (Pro-activeness)

目標に向かって自発的に行動し、環境に働きかけるAIエージェントの特性。能動的なエージェントは単に刺激に反応するだけでなく、自らイニシアチブを取り、長期的な目標達成に向けた行動を計画・実行する。

社会性 (Social Ability)

他のエージェントや人間と相互作用し、コミュニケーションする能力。社会性の高いエージェントは、協調や交渉を通じて複雑なタスクを効率的に遂行できる。

メタ認知 (Metacognition)

エージェント自身の思考プロセスや知識状態を監視・評価する能力。「自分が何を知っているか、何を知らないか」を認識し、必要に応じて学習戦略を調整する高度な特性。

3. マルチエージェントシステム（MAS）関連

AIマルチエージェントシステム (Multi-Agent System, MAS)

複数の自律的なAIエージェントが協調・連携しながら、複雑な問題を解決するシステム。個々のエージェントでは対応困難な大規模・複雑なタスクに対応できる利点がある。

図２　マルチエージェントシステムの相互作用図

図2: マルチエージェントシステムの相互作用図
この図は、複数のエージェントが連携して働くマルチエージェントシステムの構造を示しています。中央の共有リソース（ブラックボード/データストア）を介して、マネージャーエージェントと複数のスペシャリストエージェントが協調しています。マネージャーエージェントはタスクの委託と監視を行い、各スペシャリストエージェントは専門的な処理を担当し、結果を共有リソースに書き込みます。矢印は情報やタスクの流れを示し、実線は直接通信、点線は間接通信を表します。下部には主要な協調メカニズム（契約ネット、共有信念、分散計画、ブラックボード）の凡例を示しています。

エージェント間通信 (Inter-Agent Communication)

マルチエージェントシステムにおいて、エージェント同士が情報を交換し、協調するための通信手段。メッセージパッシング、共有メモリ、ブラックボードシステムなどの実装方法がある。

分散人工知能 (Distributed Artificial Intelligence)

複数のエージェントが協調して問題を解決する人工知能の研究分野。計算負荷の分散、冗長性による信頼性向上、専門知識の結合などの利点がある。マルチエージェントシステムの理論的な基盤となる。

エージェント間の協調 (Agent Collaboration)

複数エージェントが共通の目標を達成するために協力して作業すること。協調方式には、中央集権型（指揮官エージェントが存在）と分散型（全エージェントが対等）がある。

エージェントネットワーク管理 (Agent Network Management)

複数エージェントから構成されるネットワーク全体の管理。リソース割り当て、負荷分散、エージェントの追加・削除などを含む。大規模システムでは自動的なネットワーク管理機能が重要となる。

マルチエージェントシステムの協調メカニズム比較

以下の表は、マルチエージェントシステムで使用される主要な協調メカニズムの特徴と違いを比較したものです：

協調メカニズム	協調モデル	主な特徴	通信の性質	意思決定	適用例	拡張性
契約ネットプロトコル	市場原理型	タスク委託と入札に基づく効率的分配	構造化メッセージ	分散型・自律的	タスク割り当て、リソース配分	高
共有信念モデル	知識共有型	環境や目標に関する共通理解の構築	知識交換	合意形成	チーム意思決定、状況認識	中
分散計画立案	計画調整型	整合性のある計画の協調的生成	計画交換	階層的または平等	プロジェクト管理、スケジューリング	中〜高
集合知アルゴリズム	創発型	システム全体としての知能創出	最小限・間接的	局所的決定の集合	最適化問題、パターン発見	非常に高
ブラックボードシステム	共有メモリ型	中央共有メモリを介した非同期協調	間接的	機会主義的	複雑問題解決、診断システム	中
社会規範モデル	規範ベース	行動ルールと規範に基づく協調	ルール伝達	規範に準拠	自己組織化システム、社会シミュレーション	高

契約ネットプロトコル (Contract Net Protocol)

タスクの委託と入札に基づく市場原理型協調。タスクの発注者（マネージャ）と受注者（コントラクタ）の関係に基づき、効率的なタスク分配を実現する代表的なプロトコル。タスク発注→入札→落札→実行→結果報告という流れで処理が進行し、エージェントの能力や負荷状況に応じた最適な分業が可能になる。

共有信念モデル (Shared Belief Model)

環境や目標に関する共通理解の構築・維持。エージェント間で一貫した世界観を持つことで、効率的な協調行動を可能にする。各エージェントの個別の知識や信念を統合し、チーム全体として整合性のある状況認識を形成する。BDI（信念・欲求・意図）アーキテクチャと組み合わせて実装されることが多い。

分散計画立案 (Distributed Planning)

複数エージェントによる協調的計画策定。各エージェントの専門知識や能力を活かしながら、全体として整合性のある計画を生成する。中央集権型（一つのエージェントが調整役）と完全分散型（全エージェントが対等に計画立案）のアプローチがあり、タスクの性質や規模によって適切な方式が選択される。

集合知アルゴリズム (Collective Intelligence Algorithms)

複数AIが協調し、集団的知識を形成する技術。個々のエージェントの知識や能力を超えた、システム全体としての創発的な知性を生み出す。群知能（蟻コロニー最適化、粒子群最適化など）や予測市場などが代表例。単純なルールに従うエージェントの大規模な集合から、複雑な問題解決能力が創発する点が特徴。

ブラックボードシステム (Blackboard System)

中央の共有メモリ（ブラックボード）を介して、複数のエージェント（知識ソース）が非同期に協調する仕組み。各エージェントは専門分野に特化し、問題解決に貢献できる場合にのみブラックボードに情報を書き込む。複雑な問題解決や状況理解に有効で、異種のAIシステムを統合する際に使用される。

社会規範モデル (Social Norm Model)

エージェント社会における行動ルールや規範に基づく協調手法。明示的なコミュニケーションを最小限に抑えつつ、社会的ルールや期待される行動パターンに基づいて協調行動を実現する。エージェント間の信頼構築や自己組織化システムにおいて重要な役割を果たす。

4. AIエージェント関連技術

大規模言語モデル (Large Language Model, LLM)

膨大なテキストデータから学習し、自然言語処理を行うAIモデル。GPT-4、Claude、LLaMAなどが代表例。現代のAIエージェントの中核技術として、言語理解・生成能力を提供する。

自然言語処理 (Natural Language Processing, NLP)

人間が日常的に使う自然言語をコンピュータに処理させる技術。テキスト分類、感情分析、質問応答、要約生成などの機能を含む。AIエージェントが人間や他のエージェントとコミュニケーションを取るために不可欠。

機械学習 (Machine Learning)

コンピューターがデータから学習し、予測や判断を行う技術の総称。教師あり学習、教師なし学習、強化学習などがある。AIエージェントの中核となる学習メカニズムを提供する。

エージェント指向プログラミング (Agent-Oriented Programming)

エージェントという概念を用いてソフトウェアを設計・実装するプログラミングパラダイム。複雑なシステムを構築する際に、エージェント間の協調や通信を重視する。従来のオブジェクト指向プログラミングを拡張し、より高度な自律性と社会的能力を持つソフトウェアコンポーネントを実現する。

ツール使用 (Tool Use)

AIエージェントが外部のアプリケーション、API、データベースなどのツールを利用する能力。Function Callingなどの技術により、エージェントは様々なツールを連携させて複雑なタスクを実行できる。

5. AIエージェント関連フレームワーク

以下の表は、主要なAIエージェントフレームワークの特徴と違いを比較したものです：

フレームワーク名	開発元	主な特徴	対応言語	マルチエージェント対応	主な用途	ツール統合
LangChain	LangChain社	汎用性の高いLLM統合環境	Python/ JavaScript	○	汎用タスク、RAG	多数のツール・データソース連携
AutoGen	Microsoft	会話型エージェント間協調	Python	◎ （特化型）	ソフトウェア開発、チーム作業	外部API連携可能
CrewAI	CrewAI社	役割ベースの協調	Python	◎ （役割重視）	チームワーク、専門タスク分担	LangChainツール互換
MetaGPT	DeepWisdom	ソフトウェア開発特化	Python	◎ （役割固定）	ソフトウェア設計・開発	開発ツール連携
LlamaIndex	LlamaIndex社	データ接続・インデキシング特化	Python/ TypeScript	△ （限定的）	RAG、知識ベース構築	データ連携に特化
Semantic Kernel	Microsoft	モジュール型AI開発	C#/Python /Java	○	エンタープライズアプリ	プラグイン拡張性

LangChain

多様なLLMと連携可能な汎用フレームワーク。チェーンと呼ばれる処理パイプラインでエージェントの行動をモデル化し、外部ツールとの統合を容易にする。Python/JavaScriptで実装可能。多数のドキュメントストア、データベース、APIと連携でき、RAG（検索拡張生成）実装に強み。

AutoGen (Microsoft)

Microsoftが開発したマルチエージェント特化型フレームワーク。会話型エージェント間の協調に優れ、ソフトウェア開発や問題解決などのタスクを複数のエージェントで分担して行える。エージェント間の自律的な対話を重視した設計が特徴。

CrewAI

役割ベースの協調に優れたLangChain拡張フレームワーク。エージェントにそれぞれの専

門性に基づいた役割を割り当て、チームとして協働させることができる。マネージャー、専門家など役割の明確な分担を通じたタスク実行が可能。

MetaGPT

ソフトウェア開発チームをシミュレートする特化型フレームワーク。プロダクトマネージャー、アーキテクト、プログラマーなどの役割を持つエージェントが連携してソフトウェア開発を行う。ソフトウェア設計文書やコード生成のワークフローに特化。

LlamaIndex

データの整理・インデキシング・検索に特化したフレームワーク。RAG（検索拡張生成）システムの構築を容易にし、大量の非構造化データに対する効率的なクエリを可能にする。様々なデータソースからの情報統合に強み。

Semantic Kernel

Microsoftが開発した、モジュール式のAI開発フレームワーク。AIの機能を「スキル」と「関数」に分解し、再利用可能なコンポーネントとして管理する。C#、Python、Javaなど複数の言語をサポートし、エンタープライズ環境での統合に強み。

6. AIエージェント関連プロトコル・通信規格

プロトコル/規格名	主な用途	特徴	複雑性	標準化レベル	データ形式
FIPA-ACL	エージェント間通信	形式的な通信仕様	高	国際標準	XML/文字列
JSON-RPC	API呼び出し	軽量、シンプル	低	事実上の標準	JSON
REST API	Webサービス連携	リソース指向	中	設計原則	多様（主にJSON）
GraphQL	データクエリ	柔軟なデータ取得	中	業界標準	JSON
MCP	AIツール連携	AIコンテキスト管理	中〜高	新興規格	JSON
gRPC	マイクロサービス通信	高性能、スキーマ定義	高	オープン規格	Protocol Buffers

FIPA-ACL

Foundation for Intelligent Physical Agents (FIPA) が策定した、国際的に標準化されたエージェント通信言語（Agent Communication Language）。エージェント間の高度なコミュニケーションを可能にする標準規格。メッセージの意図（inform、request、queryなど）を明示的に示す形式を持つ。

JSON-RPC

軽量なリモートプロシージャコール（RPC）プロトコル。JSONをデータ形式として使用し、シンプルな構造でAPIメソッドの呼び出しを可能にする。Webベースのエージェントシステムで広く使用される。

REST API

Representational State Transfer の原則に基づくWeb APIの設計スタイル。リソース指向のアーキテクチャで、標準HTTPメソッド（GET、POST、PUT、DELETEなど）を使用。AIエージェントと外部サービスの連携において最も一般的に使用される通信方式の一つ。

GraphQL

柔軟なデータクエリ言語とランタイム。クライアントが必要なデータのみを正確に指定できるため、エージェントが外部データソースから効率的に情報を取得するのに適している。オーバーフェッチングやアンダーフェッチングの問題を解決。

MCP (Model Context Protocol)

AIシステムと外部ツール・データソースを統合するための標準プロトコル。コンテキスト管理と一貫したインターフェイスを提供する。AI固有の要件（コンテキスト窓、トークン管理など）に対応した設計。

gRPC

Googleが開発した高性能なRPCフレームワーク。Protocol Buffersを使用したスキーマ定義と効率的なシリアライゼーションが特徴。マイクロサービスアーキテクチャにおけるエージェント間通信に適している。低レイテンシ、高スループットが求められる場面で有効。

6. 最新のエージェント実装例

以下の表は、主要なAIエージェント実装の特徴と違いを比較したものです：

エージェント名	主な特徴	自律性レベル	主な用途	ツール統合	インターフェース	オープンソース
AutoGPT	自律的なタスク実行と長期目標達成	高	コンテンツ作成、リサーチ、コーディング	高（インターネット検索、ファイル操作等）	コマンドライン/WebUI	Yes
BabyAGI	タスク管理と連続的な計画更新	中	プロジェクト管理、情報整理	中（主にベクトルDB連携）	コマンドライン	Yes
AgentGPT	ブラウザ上で動作する軽量エージェント	中	一般的なタスク自動化	中（WEB API連携可能）	Web UI（ユーザーフレンドリー）	Yes
HuggingGPT	多様なAIモデルの連携・オーケストレーション	中〜高	マルチモーダルタスク、専門タスク	高（Hugging Faceモデル多数利用可）	API/Python	Yes
Toolformer	言語モデルのツール使用トレーニング手法	低〜中	APIコール、データ検索、計算	高（API呼び出しに特化）	プログラム的インターフェース	部分的