はじめに
ChatGPT を使用しました。 AI が質問に答えたり、コードを書いたり、メールを作成したりしているのを見たことがあるでしょう。しかし、想像してみてください。AI はただ答えるだけでなく、自ら行動することができます。Web 上の情報を検索し、API を呼び出し、データベースを読み取り、電子メールを送信し、失敗した場合には自己修正することもできます。
それが AI エージェント です。2025 年から 2026 年の AI の世界で最もホットなトピックです。
1. エージェントとは何ですか?
1.1 定義
AI エージェント は、LLM (Large Language Model) を「頭脳」として使用して次のことを行うシステムです。
- 認識: ユーザーまたは環境からの入力を理解します。
- 理由: 状況を分析し、計画を立てる
- Act (アクション): ツール/API を介してアクションを実行します。
- 学習 (学習): 次回の改善のために結果をメモリに保存します。
┌─────────────┐
│ USER │
│ INPUT │
└──────┬──────┘
│
┌──────▼──────┐
┌────►│ PERCEIVE │
│ └──────┬──────┘
│ │
│ ┌──────▼──────┐
│ │ REASON │◄────── Memory
│ │ & PLAN │
│ └──────┬──────┘
│ │
│ ┌──────▼──────┐
│ │ ACT │────── Tools
│ │ (Execute) │ (APIs, DB, Web...)
│ └──────┬──────┘
│ │
│ ┌──────▼──────┐
└─────│ OBSERVE │
│ (Result) │
└──────┬──────┘
│
┌──────▼──────┐
│ OUTPUT │
└─────────────┘
1.2 実践例
エージェントではありません: あなたは ChatGPT に「今日のサイゴンの天気はどうですか?」と尋ねます。 → ChatGPT は訓練データに基づいて回答します (間違っている可能性があります)。
エージェントとして: 同じ質問をする → エージェントが Weather API を呼び出す → 実際のデータを取得する → 気温 34°C、午後に雨が正確に回答します。
2. チャットボット vs エージェント vs 副操縦士 — 明確な区別
| チャットボット | 副操縦士 | エージェント | |
|---|---|---|---|
| 仕組み | 質問に答える | 提案、サポート | セルフアクション |
| インタラクティブな世界 | いいえ | 制限事項 | フル (ツール、API) |
| 自律性のレベル | 非常に低い | 平均 | 曹操 |
| 意思決定 | ユーザーが決定 | 推奨: ユーザーは | を選択します。エージェントが決定します (承認が必要な場合があります) |
| メモリ | 会話中 | セッションベース | 短期 + 長期 |
| 例 | ChatGPT基本 | GitHub コパイロット | デビン、クロード コンピューターの使用 |
自律性スペクトル
Chatbot ◄──────────── Copilot ──────────► Agent
│ │ │
│ "Trả lời câu hỏi" │ "Gợi ý & hỗ trợ" │ "Tự thực hiện"
│ │ │
│ Q&A đơn giản │ Code completion │ Research & report
│ Dịch thuật │ Email drafting │ Order processing
│ Tóm tắt │ Bug suggestion │ Automated testing
3. AI エージェントの種類
3.1 単純な反射エージェント
- 現在の入力に直接反応します
- 記憶力も計画性もない
- 例: チャットボット FAQ、ルールベースのボット
3.2 モデルベースの反射エージェント
- 世界状態の内部「モデル」を維持する
- 不完全な情報を扱うことができる
- 例: カスタマー サポート ボットは会話のコンテキストを認識します。
3.3 目標ベースのエージェント
- 達成すべき明確な目標がある ・行動計画（計画）を立てる
- 例: 旅行予約エージェント — 予算内で最も安いチケットを見つける
3.4 ユーティリティベースのエージェント
- 目標を達成するだけでなく「効用」（満足度）を最適化する
- 比較して最適なオプションを選択します
- 例: ポートフォリオ管理エージェント — 最大リターン/リスク比
3.5 学習エージェント
- 経験を通じた自己改善
- フィードバックループを使用する
- 例: エージェントはレビューのたびに、より良いコードの書き方を学習します。
4. 基本的なエージェントのアーキテクチャ
すべてのエージェントには 4 つの主要コンポーネントがあります。
┌──────────────────────────────────────────────┐
│ AI AGENT │
│ │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ LLM │ │ TOOLS │ │ MEMORY │ │
│ │ (Brain) │ │ (Hands) │ │ (Mind) │ │
│ └──────────┘ └──────────┘ └──────────┘ │
│ │
│ ┌──────────────────────────────────────┐ │
│ │ ORCHESTRATION LOGIC │ │
│ │ (Agent Loop / State Machine) │ │
│ └──────────────────────────────────────┘ │
└──────────────────────────────────────────────┘
4.1 LLM (脳)
脳は決断を下します。 LLM が決定します: どのツールを呼び出すか?どのようなパラメータで?結果は十分ですか？
4.2 ツール (手)
エージェントが世界と対話するためのツール: Web 検索、電卓、データベース クエリ、API 呼び出し、ファイル I/O、コード実行...
4.3 メモリ
- 短期: 現在のセッションでの会話履歴
- 長期: 多くのセッションで蓄積されたナレッジ (ベクター DB)
4.4 オーケストレーション ロジック
制御ループ: 入力の受信 → LLM の呼び出し → ツールの選択 → 実行 → 結果の確認 → 繰り返すまたは戻ります。
5. デモ: Python を使用した最も単純なエージェント
純粋な Python と OpenAI API のみを使用して、可能な限り単純なエージェントを構築します。
5.1 セットアップ
pip install openai
5.2 コード
import json
from openai import OpenAI
client = OpenAI() # Dùng OPENAI_API_KEY từ env
# Step 1: Định nghĩa tools
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "Lấy thời tiết hiện tại của một thành phố",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "Tên thành phố, ví dụ: Ho Chi Minh City"
}
},
"required": ["city"]
}
}
},
{
"type": "function",
"function": {
"name": "calculate",
"description": "Tính toán biểu thức toán học",
"parameters": {
"type": "object",
"properties": {
"expression": {
"type": "string",
"description": "Biểu thức cần tính, ví dụ: 2 + 3 * 4"
}
},
"required": ["expression"]
}
}
}
]
# Step 2: Implement tool functions
def get_weather(city: str) -> str:
"""Fake weather API cho demo"""
weather_data = {
"Ho Chi Minh City": {"temp": 34, "condition": "Nắng, mưa chiều"},
"Hanoi": {"temp": 28, "condition": "Nhiều mây, ẩm"},
"Da Nang": {"temp": 30, "condition": "Nắng đẹp"},
}
data = weather_data.get(city, {"temp": 25, "condition": "Không có dữ liệu"})
return json.dumps(data, ensure_ascii=False)
def calculate(expression: str) -> str:
"""Simple calculator"""
try:
result = eval(expression) # ⚠️ Dùng eval cho demo, production cần sandbox
return json.dumps({"result": result})
except Exception as e:
return json.dumps({"error": str(e)})
# Step 3: Tool dispatcher
tool_functions = {
"get_weather": get_weather,
"calculate": calculate,
}
# Step 4: The Agent Loop
def run_agent(user_message: str):
print(f"\n{'='*60}")
print(f"👤 User: {user_message}")
print(f"{'='*60}")
messages = [
{"role": "system", "content": "Bạn là một AI assistant thông minh. "
"Hãy sử dụng tools khi cần để trả lời chính xác."},
{"role": "user", "content": user_message}
]
# Agent loop — tối đa 5 vòng
for step in range(5):
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=messages,
tools=tools,
)
message = response.choices[0].message
messages.append(message)
# Nếu LLM không gọi tool → trả lời cuối cùng
if not message.tool_calls:
print(f"\n🤖 Agent: {message.content}")
return message.content
# Nếu LLM gọi tool(s)
for tool_call in message.tool_calls:
func_name = tool_call.function.name
func_args = json.loads(tool_call.function.arguments)
print(f"\n🔧 Tool call [{step+1}]: {func_name}({func_args})")
# Thực thi tool
result = tool_functions[func_name](**func_args)
print(f" 📦 Result: {result}")
# Trả kết quả về cho LLM
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": result,
})
return "Agent loop exceeded maximum steps."
# Step 5: Test
if __name__ == "__main__":
run_agent("Thời tiết Sài Gòn hôm nay thế nào?")
run_agent("Tính cho tôi: (15 * 7) + (23 * 3) - 42")
run_agent("So sánh thời tiết Hà Nội và Đà Nẵng, thành phố nào nóng hơn bao nhiêu độ?")
5.3 期待される出力
============================================================
👤 User: Thời tiết Sài Gòn hôm nay thế nào?
============================================================
🔧 Tool call [1]: get_weather({"city": "Ho Chi Minh City"})
📦 Result: {"temp": 34, "condition": "Nắng, mưa chiều"}
🤖 Agent: Thời tiết Sài Gòn hôm nay: **34°C**, trời nắng và có thể mưa vào buổi chiều.
Nhớ mang ô khi ra ngoài nhé! ☀️🌧️
3 番目の質問に注意してください。エージェントから電話があります。 get_weather 2 回 (ハノイとダナンの場合)、結果を比較します。これがエージェントの力です。複数ステップの推論とツールの使用です。
6. エージェントの傾向 2025 ～ 2026 年
6.1 Agentic AI はどこにありますか?
2023: Chatbots (Q&A, content generation)
2024: Copilots (code assist, writing assist)
2025: Single Agents (autonomous task completion)
2026: Multi-Agent Systems (coordinated agent teams)
6.2 重要なマイルストーン
| 時間 | イベント |
|---|---|
| 2024 年 3 月 | Devin — 最初の (物議を醸す) 「AI ソフトウェア エンジニア」 |
| 2024 年 6 月 | クロード 3.5 ソネット + ツールの使用 — エージェントにとってゲームチェンジャー |
| 2024 年 10 月 | クロード コンピュータの使用 — コンピュータ制御エージェント |
| 2024 年 11 月 | Anthropic MCP — オープンソース接続標準 |
| 2025 年 4 月 | Google A2A プロトコル — エージェントは相互に通信します。 |
| 2025–2026 | マルチエージェント プラットフォームの競争 |
6.3 なぜ今学ぶ必要があるのですか?
- 深い ML/DL を知る必要はありません: エージェントは主に API 経由で LLM を使用します。エンジニアリング スキルは必要ですが、モデルをトレーニングする必要はありません
- 非常に高い需要: 「AI エージェント開発者」は最も求められているスキルセットです
- 障壁が低く、天井が高い: 最初はシンプルですが、非常に複雑なシステムを構築できます。
- 実用的: 自動化、リサーチ、コンテンツ、コーディングなど、仕事にすぐに適用できます...
レッスンの概要
- AI エージェント = LLM + ツール + メモリ + オーケストレーション ロジック
- エージェントは、外の世界と独自に行動する能力がチャットボットとは異なります。
- コアループ: 知覚→理由→行動→観察→(繰り返し)
- 5種類のエージェント：Simple Reflex → Model-Based → Goal-Based → Utility-Based → Learning
- OpenAI 関数呼び出しを使用して最も単純なエージェントをコーディングしました
- 2025 ～ 2026 年は Agentic AI の時代 — 始めるのに最適な時期
演習
- パート 5 でデモ エージェントを実行し、より複雑な質問をしてみます (多くのツールを呼び出す必要があります)。
- 新しいツールを追加します。
search_web(query)— シミュレーション結果を返します。エージェントはそれをいつ使用するかを知っていますか? - エージェントが日常業務で解決できる 3 つのユースケースを考えてください。
- ブログ投稿「AI エージェントとは?」を読んでください。 Anthropic サイトで