Agentic AIとは？自律型AIエージェントが変える業務自動化の未来

LangChainでAIエージェントを構築する：Tool定義からAgentExecutorまで

Agentic AIの中核は、LLMが自律的にツールを選択・実行して目標を達成する仕組みです。以下ではLangChainを使い、検索ツールと計算ツールを持つエージェントの概念コードを示します。

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain.tools import tool
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

# --- カスタムToolの定義 ---
@tool
def search_knowledge_base(query: str) -> str:
    """社内ナレッジベースを検索して関連情報を返す"""
    # 実際にはベクトルDBやElasticsearchへの問い合わせ
    knowledge = {
        "売上目標": "2024年度の売上目標は前年比120%の12億円です。",
        "AI導入状況": "画像検査AIを3工場に導入済み。不良品検出率は98.5%。",
        "競合分析": "主要競合A社はAIチャットボットを昨年導入し問合せ対応時間を40%削減。"
    }
    for key, value in knowledge.items():
        if key in query:
            return value
    return "該当する情報が見つかりませんでした。"

@tool
def calculate_roi(investment: float, annual_benefit: float, years: int) -> str:
    """AI導入のROI（投資利益率）を計算する"""
    total_benefit = annual_benefit * years
    roi = (total_benefit - investment) / investment * 100
    payback_period = investment / annual_benefit
    return (f"投資額: {investment:,.0f}円\n"
            f"年間効果: {annual_benefit:,.0f}円\n"
            f"期間: {years}年\n"
            f"総効果: {total_benefit:,.0f}円\n"
            f"ROI: {roi:.1f}%\n"
            f"回収期間: {payback_period:.1f}年")

@tool
def generate_report(title: str, content: str) -> str:
    """分析結果をレポート形式にまとめる"""
    return f"=== {title} ===\n\n{content}\n\n作成日: 2024-XX-XX\n作成者: AIエージェント"

# --- エージェントの構築 ---
llm = ChatOpenAI(model="gpt-4o", temperature=0)

prompt = ChatPromptTemplate.from_messages([
    ("system",
     "あなたは企業のAI戦略アドバイザーです。"
     "ナレッジベース検索、ROI計算、レポート生成のツールを使い、"
     "ユーザーの質問に正確に回答してください。"
     "複数のツールを組み合わせて包括的な回答を作成してください。"),
    ("human", "{input}"),
    MessagesPlaceholder(variable_name="agent_scratchpad")
])

tools = [search_knowledge_base, calculate_roi, generate_report]
agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,      # 思考過程を表示
    max_iterations=5,  # 無限ループ防止
    handle_parsing_errors=True
)

# --- 実行例 ---
# エージェントが自律的にツールを選択・実行する
result = agent_executor.invoke({
    "input": "画像検査AIの導入効果を調べて、初期投資3000万円・年間効果1500万円で"
             "3年間のROIを計算し、レポートにまとめてください"
})
print(result["output"])
# 1. search_knowledge_base("AI導入状況") → 検査AIの情報取得
# 2. calculate_roi(30000000, 15000000, 3) → ROI計算
# 3. generate_report(...) → レポート生成
# → 3つのツールを自動で組み合わせて回答を構成

このコードが示すAgentic AIの本質は3点あります。第一に、@toolデコレータで関数にdocstringを付けるだけでLLMが理解可能なツールになり、LLMがどのツールをいつ呼ぶかを自律的に判断します。第二に、AgentExecutorがReAct（Reasoning + Acting）パターンで「思考→ツール呼び出し→結果の観察→次の行動」のループを自動実行します。第三に、max_iterationsでループ回数を制限し、handle_parsing_errorsでエラー時にリトライさせることで、実運用での暴走を防止しています。従来のチャットボットとの決定的な違いは、エージェントが複数ツールを連鎖させて複合的なタスクを完遂できる点です。