Multi-Agent Systems

Multi-Agent Systems は、複数の LLM agent が 役割分担・協力・議論 しながら task を解く構成です。Single agent では難しい複雑 task に対応できる一方、coordination や cost の問題も発生します。

なぜ multi-agent か

パターン	内容
Orchestrator-Worker	中央 agent が sub-task を worker に分配
Debate	複数 agent が議論し、judge が判定
Role play	Manager / Engineer / QA など役割で分担
Pipeline	順番に処理 (writer → editor → fact-checker)
Swarm	多数 agent が並列に探索

最も実用的なパターンです。Orchestrator は plan を立て、worker agent に sub-task を割り当て、結果を統合します。Anthropic の "Building Effective Agents" でも推奨される構造です。

Debate では、複数 agent が同じ問題について異なる結論を主張し、議論を通じて精度を上げます。Math、reasoning、code review などで効果があります。Judge agent が最終結論を選びます。

Framework	特徴
AutoGen (Microsoft)	Conversable agents、GroupChat、code execution
CrewAI	Role-based crew、task delegation
LangGraph	グラフ構造で multi-agent を組む
OpenAI Agents SDK	Handoffs と guardrails の primitive
MetaGPT	SOP に従う software company simulation

課題	内容
Cost / latency	呼び出し回数が agent 数倍に
Coordination failure	互いに誤った前提を伝播
Hallucination amplification	一つの誤りが全体に拡散
Cycle / 無限ループ	終了条件の設計
Debug の難しさ	多数の trace

実用では、最小限の multi-agent で済ませる ことが推奨されます。Anthropic は「single agent + tool + critic で十分なことが多い」と指摘しています。

Multi-agent system では、agent $i$ が局所履歴 $h_t^i$ に基づいて action $a_t^i$ を選びます。

a_t^i\sim\pi_i(a^i\mid h_t^i)

全体の成果は、joint action $\mathbf{a}_t=(a_t^1,\ldots,a_t^n)$ によって決まります。

R_t=R(s_t,\mathbf{a}_t)

この式の気持ちは、「各 agent が個別に良い行動を選んでも、組み合わせとして良いとは限らない」ということです。役割分担、通信、重複作業の回避、conflict resolution が重要になります。

Coordinator 型では、中央の policy が subtask assignment を決めます。

z_i\sim\pi_{\mathrm{coord}}(z_i\mid h_t, i)

ここで、 $z_i$ は agent $i$ に渡される役割やタスクです。良い coordinator は、独立に並列化できる作業と、順序依存のある作業を区別します。