AI Agent 垂直応用シナリオ
分野によって Agent に対するニーズと特徴は異なる。
分野に特化させることで、Agent はより専門的なサービスを提供できる。
コードエージェント
コードエージェントは、現在最も成功している Agent の応用分野の一つである。
コードベースを理解し、新しいコードを作成し、問題をデバッグできる。
コア能力
コード補完:コンテキストに基づいて次のコードを予測する。
コード生成:自然言語の説明からコードを生成する。
コードレビュー:コードの問題点や改善点を発見する。
バグの特定:エラーメッセージを分析し、問題の根本原因を特定する。
コードリファクタリング:コード最適化の提案を行い、実行する。
代表的なシステム
| システム | 開発会社 | 特徴 |
|---|---|---|
| GitHub Copilot | GitHub/OpenAI | コード補完中心、リアルタイム提案 |
| Claude Code | Anthropic | コマンドラインアシスタント、深いコード理解 |
| Devin | Cognition | 自律的なプログラミング、エンドツーエンドのタスク実行 |
| Cursor | Cursor | AI コードエディタ、高度な IDE 統合 |
コード実装例
Text2SQL Agent の実装
"""
Text2SQL Agent
自然言語をSQLクエリに変換する
"""
def __init__(self, llm, schema):
self.llm = llm
# データベーススキーマ情報
self.schema = schema
def convert(self, question):
"""
自然言語の質問をSQLに変換する
:param question: 自然言語の質問
:return: SQLクエリ文
"""
prompt = f"""
あなたはSQLの専門家です。
データベーススキーマ:
{self.schema}
ルール:
1. SELECTクエリのみ生成する(INSERT/UPDATE/DELETEはサポートしない)
2. 適切なテーブル別名を使用する
3. 必要なJOIN条件を追加する
4. 明確な列別名を使用する
質問:{question}
対応するSQLクエリを生成してください。
"""
sql = self.llm.generate(prompt)
# セキュリティチェック
return self.sanitize(sql)
def sanitize(self, sql):
"""
SQLセキュリティチェック
危険な操作が含まれていないことを確認する
"""
# 小文字変換チェック
sql_lower = sql.lower().strip()
# SELECTのみを含むかチェック
forbidden_keywords = [
"insert", "update", "delete", "drop",
"create", "alter", "truncate", "exec",
"execute", "grant", "revoke"
]
for keyword in forbidden_keywords:
if keyword in sql_lower:
raise ValueError(f"禁止キーワード: {keyword}")
return sql
def execute(self, question, db_connection):
"""
Text2SQLクエリを実行する
"""
sql = self.convert(question)
cursor = db_connection.cursor()
cursor.execute(sql)
results = cursor.fetchall()
columns = [desc[0] for desc in cursor.description]
return {"columns": columns, "rows": results}
データ分析エージェント
データ分析エージェントはデータ要件を理解し、クエリを実行し、分析レポートを生成できる。
非技術者でも複雑なデータ分析を行えるようにする。
コア能力
データ理解:データベース構造とデータの意味を理解する。
クエリ生成:Text2SQL、自然言語をクエリに変換する。
可視化:グラフの提案と設定を生成する。
レポート生成:分析結果から自然言語レポートを生成する。
コード実装
データ分析エージェントの実装
"""
データ分析エージェント
データ要件を理解し、分析を実行し、レポートを生成する
"""
def __init__(self, llm, db_connection, chart_generator):
self.llm = llm
self.db = db_connection
self.chart_generator = chart_generator
def analyze(self, request):
"""
データ分析リクエストを処理する
"""
# ステップ1:分析要件を理解する
intent = self.parse_intent(request)
# ステップ2:クエリを生成する
query = self.generate_query(intent)
# ステップ3:クエリを実行する
data = self.execute_query(query)
# ステップ4:データを分析する
analysis = self.perform_analysis(data, intent)
# ステップ5:可視化の提案を生成する
charts = self.suggest_charts(analysis)
# ステップ6:レポートを生成する
report = self.generate_report(analysis, charts)
return {
"intent": intent,
"query": query,
"data": data,
"analysis": analysis,
"charts": charts,
"report": report
}
def parse_intent(self, request):
"""ユーザーの意図を解析する"""
prompt = f"""
以下のデータリクエストを分析し、重要な情報を抽出してください:
リクエスト:{request}
以下を抽出してください:
1. 分析目的(比較、トレンド、分布など)
2. 関連するテーブルとフィールド
3. 時間範囲(ある場合)
4. フィルター条件(ある場合)
"""
return self.llm.generate(prompt)
def generate_query(self, intent):
"""SQLクエリを生成する"""
prompt = f"""
以下の意図に基づいてSQLクエリを生成してください:
{intent}
データベーススキーマ:
{self.get_schema()}
"""
return self.llm.generate(prompt)
def execute_query(self, query):
"""クエリを実行する"""
cursor = self.db.cursor()
cursor.execute(query)
columns = [desc[0] for desc in cursor.description]
rows = cursor.fetchall()
return {"columns": columns, "rows": rows}
def perform_analysis(self, data, intent):
"""データ分析を実行する"""
# 簡略化した実装
import statistics
rows = data["rows"]
columns = data["columns"]
analysis = {
"row_count": len(rows),
"summary": {}
}
# 数値列の統計情報を計算する
for i, col in enumerate(columns):
if self.is_numeric(rows, i):
values = [row[i] for row in rows if row[i] is not None]
if values:
analysis["summary"][col] = {
"min": min(values),
"max": max(values),
"avg": statistics.mean(values),
"median": statistics.median(values)
}
return analysis
def suggest_charts(self, analysis):
"""可視化グラフを推薦する"""
suggestions = []
# 分析タイプに応じてグラフを推薦する
if "trend" in str(analysis).lower():
suggestions.append({
"type": "line",
"description": "折れ線グラフ、トレンドの変化を示すのに適しています"
})
if "comparison" in str(analysis).lower():
suggestions.append({
"type": "bar",
"description": "棒グラフ、異なるカテゴリを比較するのに適しています"
})
suggestions.append({
"type": "table",
"description": "データテーブル、詳細なデータを表示する"
})
return suggestions
def generate_report(self, analysis, charts):
"""分析レポートを生成する"""
prompt = f"""
以下の分析結果に基づいて、自然言語レポートを生成してください:
分析結果:
{analysis}
推薦グラフ:
{charts}
明確な分析レポートを生成してください。
"""
return self.llm.generate(prompt)
カスタマーサービスエージェント
カスタマーサービスエージェントはマルチターン対話を処理し、ユーザーの意図を理解し、正確な返答を提供する必要がある。
AIが最も広く導入されているシーンの一つである。
コア能力
意図認識:ユーザーが何をしたいのかを理解する。
スロット埋め:重要な情報(時間、場所など)を抽出する。
対話状態の追跡:マルチターン対話のコンテキストを管理する。
応答生成:自然で専門的な応答を生成する。
コード実装
カスタマーサービスエージェントの実装
"""
カスタマーサービスエージェント
ユーザーからの問い合わせを処理し、サポートを提供する
"""
def __init__(self, llm, knowledge_base, dialogue_manager):
self.llm = llm
# ナレッジベース
self.knowledge_base = knowledge_base
# 対話マネージャー
self.dialogue_manager = dialogue_manager
def handle(self, user_input, session_id):
"""
ユーザーメッセージを処理する
"""
# 対話履歴を取得する
history = self.dialogue_manager.get_history(session_id)
# ユーザーの意図を認識する
intent = self.recognize_intent(user_input, history)
# 意図に応じて処理する
if intent.type == "greeting":
response = self.handle_greeting()
elif intent.type == "inquiry":
response = self.handle_inquiry(intent)
elif intent.type == "complaint":
response = self.handle_complaint(intent)
elif intent.type == "order_status":
response = self.handle_order_status(intent)
elif intent.type == "refund":
response = self.handle_refund(intent)
else:
response = self.handle_general(user_input)
# 対話履歴を更新する
self.dialogue_manager.add_message(
session_id,
{"role": "user", "content": user_input}
)
self.dialogue_manager.add_message(
session_id,
{"role": "assistant", "content": response}
)
return response
def recognize_intent(self, text, history):
"""ユーザーの意図を認識する"""
prompt = f"""
ユーザーメッセージを分析し、意図のタイプを認識する。
現在のメッセージ:{text}
対話履歴:
{history}
意図タイプ:
- greeting: 挨拶
- inquiry: 問い合わせ
- complaint: 苦情
- order_status: 注文確認
- refund: 返金
- goodbye: 別れの挨拶
意図タイプと信頼度を出力してください。
"""
result = self.llm.generate(prompt)
return Intent.parse(result)
def handle_inquiry(self, intent):
"""問い合わせを処理する"""
# ナレッジベースから関連コンテンツを検索する
relevant_docs = self.knowledge_base.search(intent.query)
if relevant_docs:
# 関連ドキュメントがある場合は、ドキュメントに基づいて回答する
prompt = f"""
以下のドキュメントに基づいてユーザーの質問に回答してください。
ドキュメント:
{relevant_docs}
質問:{intent.query}
"""
return self.llm.generate(prompt)
else:
# 関連ドキュメントがない場合は、オペレーターに転送するか記録する
return "この問題についてはさらに確認が必要です。少々お待ちください。お調べします。"
class Intent:
"""ユーザーの意図"""
def __init__(self, type, query, confidence):
self.type = type
self.query = query
self.confidence = confidence
@classmethod
def parse(cls, text):
"""意図テキストを解析する"""
# 簡略化した実装
return cls(type="inquiry", query=text, confidence=0.9)
リサーチエージェント
リサーチエージェントは自律的に深い調査を行い、情報を収集・総合できる。
人間のリサーチャーの作業方法を模倣する。
コア能力
検索計画:情報収集の計画を立てる。
多ソース収集:複数のソースから情報を収集する。
情報検証:情報の正確性をクロス検証する。
レポート生成:情報を総合し、構造化されたレポートを生成する。
コード実装
リサーチエージェントの実装
"""
調査 Agent
自主的に深度調査を行い、レポートを生成する
"""
def __init__(self, search_tools, llm):
# 検索ツール一覧
self.search_tools = search_tools
self.llm = llm
def research(self, topic, depth=3):
"""
調査タスクを実行する
:param topic: 調査テーマ
:param depth: 調査深度(検索ラウンド数)
"""
# ステップ1:調査計画を立てる
plan = self.create_research_plan(topic, depth)
# ステップ2:複数ラウンドの検索を実行する
findings = []
for phase in plan.phases:
# 複数の方向を並行して検索する
phase_results = self.search_phase(phase)
findings.extend(phase_results)
# 現在の発見を総合する
synthesis = self.synthesize(findings)
findings.append({
"type": "synthesis",
"content": synthesis,
"phase": phase.number
})
# ステップ3:最終レポートを生成する
report = self.generate_report(findings)
return {
"topic": topic,
"plan": plan,
"findings": findings,
"report": report
}
def create_research_plan(self, topic, depth):
"""調査計画を作成"""
prompt = f"""
以下の調査テーマについて詳細な計画を立てます:
テーマ:{topic}
深度:{depth}
以下を計画してください:
1. 調査が必要な主要な方向性(3〜5つ)
2. 各方向で回答すべき核心的な質問
3. 情報源の提案
"""
return ResearchPlan.parse(self.llm.generate(prompt))
def search_phase(self, phase):
"""個別の検索段階を実行"""
results = []
for query in phase.queries:
# 検索ツールを使用して検索する
for tool in self.search_tools:
search_results = tool.search(query)
results.extend(search_results)
return results
def synthesize(self, findings):
"""発見を総合"""
prompt = f"""
以下の調査結果を総合し、重要な情報を抽出します:
発見リスト:
{findings}
以下を抽出してください:
1. 主要な結論
2. 結論を裏付ける証拠
3. 存在する論争や不確実性
4. さらなる調査が必要な問題
"""
return self.llm.generate(prompt)
def generate_report(self, findings):
"""最終レポートを生成"""
prompt = f"""
以下の調査結果に基づいて、構造化されたレポートを生成します:
調査結果:
{findings}
レポート要件:
1. エグゼクティブサマリー
2. 背景紹介
3. 主要な発見(テーマ別)
4. 結論と提案
5. 参考情報源
完全なレポートを生成してください。
"""
return self.llm.generate(prompt)
class ResearchPlan:
"""調査計画"""
@classmethod
def parse(cls, text):
"""計画テキストを解析"""
# 簡略化された実装
return cls(phases=[
ResearchPhase(number=1, queries=["関連テーマ1"], goals=["基本概念を理解する"]),
ResearchPhase(number=2, queries=["関連テーマ2"], goals=["詳細分析"]),
])
def __init__(self, phases):
self.phases = phases
class ResearchPhase:
"""調査段階"""
def __init__(self, number, queries, goals):
self.number = number
self.queries = queries
self.goals = goals
その他の垂直応用
RPA + Agent
RPA(ロボティック・プロセス・オートメーション)と Agent の結合。
より複雑な業務プロセスの自動化を実現できる。
Agent は RPA にインテリジェントな意思決定能力を与える。
ゲームNPCエージェント
ゲーム内の NPC(ノンプレイヤーキャラクター)Agent。
動的な対話、ストーリー生成、ロールプレイを行うことができる。
よりリアルなゲーム世界の体験を生み出す。
科学研究エージェント
AI for Science は科学研究を変えつつある。
文献レビュー:大量の論文を自動的に読んで要約する。
実験デザイン:実験計画と仮説を提案する。
データ分析:実験データを処理し、法則性を見つける。
論文作成:科学論文の執筆を支援する。
章のまとめ
このセクションでは、Agent の各垂直分野での応用を紹介しました。
コード Agentプログラミングを支援し、開発効率を向上させる。
データ分析 Agent非技術者でもデータを分析できるようにする。
カスタマーサービス Agentインテリジェントな顧客サービスを提供する。
調査 Agent自主的に深度調査を行う。
他にも RPA+Agent、ゲーム NPC、科学研究 Agent など、さらに多くのシナリオがある。
垂直分野の Agent は、ドメイン知識と組み合わせてカスタマイズする必要がある。
適切なシナリオと切り口を選ぶことが、成功の鍵である。
その他の拡張