マルチステップ実践 - AIエージェントの仕組み

この回のゴール

第 5 章の RAG を ツール として第 6 章のエージェントに組み込む
複数種類のツール を連携させた本格タスクを解かせる
本番運用に近い「有能なアシスタント」を体験する
ここまでの全知識が 1 つの動くシステム として統合されたことを実感する

1. 設計する「本格エージェント」

用意するツール

ツール	役割	実装
`search_handbook(query)`	社内文書を検索	第 5 章の RAG をそのまま
`calculator(expression)`	数値計算	Python eval(安全化)
`get_current_time()`	現在時刻	datetime.now()
`get_exchange_rate(...)`	為替レート	擬似データ

キモは search_handbook。第 5 章の RAG パイプラインを 1 つの関数 にして、エージェントのツールとして登録します。

解けるようになるタスクの例

「勤続 7 年目で有給を全部使った場合の、有給の経済価値 を概算して。月給は 45 万円として。」

このタスクには:

search_handbook("勤続 7 年有給") で日数を調べる → 25 日
calculator("450000 / 20") で日給を計算 → 22,500 円
calculator("22500 * 25") で合計 → 562,500 円
自然言語で回答

→ 4 ステップ必要。単体のツールや RAG では不可能。

2. RAG をツール化する設計

class RAGSearchTool:
    def __init__(self, chunks, embed_model, faiss_index):
        self.chunks = chunks
        self.model = embed_model
        self.index = faiss_index

    def __call__(self, query: str, top_k: int = 3) -> str:
        q_vec = self.model.encode([query], normalize_embeddings=True)
        D, I = self.index.search(q_vec, top_k)
        results = []
        for rank, idx in enumerate(I[0]):
            results.append(f"[{rank+1}] {self.chunks[idx]}")
        return "\n\n".join(results)

エージェント側のツール定義:

{
    "name": "search_handbook",
    "description": (
        "ネオテック社の社員ハンドブックを検索する。"
        "制度・規定・福利厚生に関する質問があれば必ずこのツールを使う。"
    ),
    "input_schema": {
        "type": "object",
        "properties": {
            "query": {"type": "string", "description": "検索クエリ"}
        },
        "required": ["query"],
    }
}

3. プロンプトエンジニアリングのポイント

役割と方針

あなたはネオテック社の社員向けアシスタントです。

ルール:
- 事実情報は必ず search_handbook で取得してから回答
- 計算は必ず calculator を使う(自分では計算しない)
- 社内規定にない情報を推測で埋めない
- 根拠となった文書を引用する

効率化の指示

- 同じ検索を繰り返さない
- 既に取得した情報は再利用する
- 不明点は正直に「情報なし」と答える

これがないと前章の「暴走」が起きます。

4. 出典(Citation)の扱い

エージェントに「引用元を明示せよ」と指示すると、RAG 結果の [1] [2] などを引用してくれます:

あなたの質問「...」に対する回答:

勤続 5 年以上の社員の有給は年間 25 日です [1]。
月給 45 万円の場合、日給は 22,500 円になるので [2]、
有給 25 日の経済価値は約 562,500 円となります [2]。

---
[1] 第 3 章 休日および休暇 — 年次有給休暇は...
[2] 計算: 450000 / 20 = 22500, 22500 × 25 = 562500

RAG と calculator の出力を 同じように引用 できるのがポイント。

5. 思考トレースを UI で見せる

対話型 UI では:

最終回答を目立たせる
思考とツール呼び出しを折りたたみ で見られる
引用元を展開可能 に

6. さらなる発展(参考)

サブエージェント

複雑タスクを 別のエージェント に委譲する(Anthropic の Claude Code もこれを使用):

メインエージェント
  ├─ search_subagent (RAG 特化)
  ├─ calc_subagent (計算特化)
  └─ write_subagent (文書作成特化)

メモリ

セッションを跨いで覚える: - 会話履歴の要約 - ユーザー情報の保持 - memory_tool による永続化

プランニング

「最初に TODO リストを作らせる」パターン:

Step 1: 有給日数を検索
Step 2: 月給を確認
Step 3: 日給を計算
Step 4: 合計を計算
Step 5: 回答

Claude に先にプランを作らせてから実行する → 計画性が上がる。

まとめ

RAG を「1 つのツール」として登録すれば、エージェントから自然に呼べる
4 ツール (RAG + calc + time + rate) を組み合わせた本格エージェントで多段タスクを解ける
system プロンプトで「役割・効率化指示・引用」を強制
発展形: サブエージェント / メモリ / プランニング

この回の限界(次への動機)

賢いエージェントは作れた。でも 何が得意で何が苦手か を見極めないと過剰設計・誤用に陥る。 👉 次回「できること・できないこと」で、限界とアンチパターンを直視します。

参考文献

Anthropic: Building Effective Agents
Anthropic Cookbook: Customer Support Agent