多くの Multi-Agent プロジェクトが行き詰まるのは、Agent が賢くないからではなく、どんな形で協働させるかを決めないまま Agent を寄せ集めてしまうからです。協働トポロジーは、タスクがどう流れ、誰が意思決定し、失敗時にどこへ収束するかを決めます。選択を誤れば、Agent を増やしてもより高価な混乱を招くだけです。これは抽象的な美学の問題でもありません。Anthropic の本番実測と Google Research の対照研究では、同じタスクでもトポロジーを変えるだけで、トークンコストと信頼性が十数倍も変動することが示されています。本記事はアーキテクチャの形、つまり Agent 同士の接続方法と意思決定権の分布の選び方だけを扱い、通信方法・記憶の共有・役割分担といった後続の課題には踏み込みません。まず形を正しく定めてこそ、実装に足場ができます。
| トポロジー | 代表的なフレームワーク | 最適なタスクと実例 | 主なトレードオフ（実測値付き） |
|---|---|---|---|
| 主制御-ワーカー | LangGraph Supervisor、Anthropic Research、CrewAI Hierarchical | 並列分解できる探索：Anthropic Research は 3〜5 個のサブエージェントを同時に起動 | 信頼性は高いが高コスト：Anthropic 版は単一 Agent より +90%、ただしトークンは約 15 倍 |
| 階層型 | LangGraph 多層 Supervisor、CrewAI Hierarchical | 大規模タスクで、サブタスク自体をさらに分割できる場合 | 深く拡張可能；管理層の追加 LLM 呼び出しでトークンコストが増加 |
| 対等型 | OpenAI Agents SDK handoffs、AutoGen Group Chat | 境界が曖昧で、その場での引き継ぎが必要な探索的作業 | 最も柔軟で最も脆い：中心がないと誤差が最大 17.2 倍に増幅 |
| パイプライン型 | CrewAI Sequential、MetaGPT SOP | 手順が固定の線形フロー（例：PRD→設計→開発） | トークンコスト最小で最もデバッグしやすい；1 工程の停滞で全体が止まる |
主制御-ワーカーは最も実績のある出発点です。1 つの主制御 Agent が分解して割り当て、複数のワーカーがそれぞれ 1 部分を担当して結果を報告します。Anthropic の Research システムはまさにこの形で、リード Agent が計画し、3〜5 個の専門サブエージェントを並列に起動して証拠を集め、最後に統合して別途引用チェックを走らせます。同社のテストでは、Claude Opus を主制御、Sonnet をサブエージェントにした構成が単一 Opus を 90.2% 上回り、トークン使用量だけで性能差の約 8 割を説明できました。代償として、通常のチャットの約 15 倍のトークンを消費します。エンジニアリング面では、LangGraph の langgraph-supervisor がこのパターンを標準化しています。Supervisor ノードが Command を使って次にどのワーカーノードを呼ぶか決めるため、責任が明確で追跡しやすい反面、Supervisor は本質的にボトルネックであり単一障害点になります。
サブタスク自体が分割を要するほど大きくなったら、主制御-ワーカーを階層型に昇格させます。上位の主制御は粗い分割だけを行い、各ブロックを下位の副主制御に渡してさらに細分化させます。LangGraph は「複数の Supervisor を管理する Supervisor」を直接サポートし、多層チームを構築できます。CrewAI の Hierarchical Process は、自動または明示的に manager agent を割り当て、それが動的に委任し、出力をレビューし、やり直しを指示します。これにより単一層では支えきれない規模まで拡張できますが、層にはコストが伴います。管理者自身もタスクの分析・エージェントの選定・出力のレビューのために LLM を呼び出すため、層を足すたびに調整オーバーヘッドとトークンコストが増えます。判断基準は明快です。単一 Supervisor の割り当てリストが自分でも追えないほど長くなったときにだけ層を足す。見栄えのために先回りして層を積んではいけません。
対等型には中央司令がなく、Agent は対等で、能力のある者が次の一歩を担います。OpenAI は初期の Swarm を Agents SDK へ進化させ、その中核が handoffs です。自分の領域外の要求に直面した Agent が、コンテキストごと主導権をより適した同僚に引き継ぎます。AutoGen の Group Chat も、次の発言者を選ぶ auto や round_robin といった戦略を提供します。対等型は、事前に手順を計画できない境界の曖昧な探索的作業に向き、最も柔軟ですが、最も予測とデバッグが難しい形です。Google Research の対照研究『Towards a Science of Scaling Agent Systems』（2025 年 12 月発表）は、180 の統制された構成で厳しい数字を突きつけます。中央調整のない独立型マルチエージェントは誤差を単一 Agent の 17.2 倍に増幅し、調整役を加えるとそれが 4.4 倍まで圧縮されます。したがって対等型は、試行錯誤を許容できる小規模で高自律なチームに向き、安定した出力を求める重要フローには不向きです。
パイプライン型はその逆で、タスクが生産ラインのように順に各工程を流れ、それぞれが 1 つの処理に専念し、加工した成果を次へ渡します。CrewAI の Sequential Process が典型例で、タスクは定義順に実行され、各ステップの出力が自動的に次のステップのコンテキストになります。調整のオーバーヘッドがないため、トークンコストが最も低く、最もデバッグしやすいのが特徴です。MetaGPT はこの流れ作業を「Code = SOP(Team)」の理念で極限まで推し進め、プロダクトマネージャー・アーキテクト・プロジェクトマネージャー・エンジニアを 1 本の SOP ラインに連ね、1 行の要件から PRD・設計・コードまでを吐き出します。パイプライン型は手順が固定のとき最も効率的で監視しやすく、工程間にチェックポイントを挟むのも容易です。ただし本質的に脆く、1 工程の停滞で全体が止まるため、各工程にタイムアウト・リトライ・失敗処理を明示する必要があります。
これらのデータが示すように、トポロジー選定はどのパターンが新しいかの競争ではなく、タスクの分解可能性・規模・フローの形から逆算し、信頼性とトークンコストを天秤にかける作業です。安定を取るなら中央集権の調整コストを払い、節約するならパイプライン、柔軟さが要るときだけ対等型を使います。多くの企業にとって現実的な道筋は、まず主制御-ワーカーで動かし、規模が求めれば階層型へ育て、フローが固定ならパイプラインに抽出し、タスクの進化に合わせて併用することです。恩梯科技の AI システムコンサルティングは、まず実際のタスク構造を棚卸しし、最も適した協働トポロジーとフレームワーク選定に対応づけます。これにより、システムは初日から正しい形で成長し、本番でアーキテクチャが破綻して作り直しを迫られる事態を防ぎます。
これらの手法を自社に導入したいですか？
LINEで無料相談
技術共有
多くのブランドはチャネルごとに別々のAIボットを設置し、音声・チャット・CRMがかみ合わず、同じ顧客がつながりのない断片に分割されています。本記事では、CXMのチャネル横断統合を三層——統一顧客ビュー、システム統合、チャネル横断のオーケストレーション——として実データとともに読み解き、あらゆる接点が同一の顧客レコードの上に成り立つ仕組みを示します。
技術共有
会話が長くなるほど AI はなぜ高く、そして散漫になるのでしょうか。本稿は Chroma や Anthropic などの最新研究データをもとに、スライディングウィンドウ、要約圧縮（compaction）、分割による外部退避、重要情報のピン留めという四つの戦略と、その組み合わせ方を解き明かします。
技術共有
多くの企業は AI への権限委譲を白か黒かのスイッチとして扱い、全件を人が審査するか、すべてをシステムに自動で任せるかのどちらかになりがちです。しかし Gartner は、リスク管理の不足により agentic AI プロジェクトの 40% 超が 2027 年までに中止されると予測しています。本記事は人間工学と AI エージェントの実在する分級枠組みをもとに、全件人手審査から完全自律までの五段階の権限委譲の階段を示し、定量的な昇格基準と品質低下時のサーキットブレーカーによるフォールバックまでを扱います。
サポートが必要ですか？
ここをクリックしてお問い合わせください！
