エージェンティックワークフロー

AIに1回の指示で最終的な結果を出させるのではなく、計画の立案、ツールの利用、結果の検証と修正（リフレクション）などの手順を繰り返させながら、段階的にタスクを進めさせる処理の流れ。複数のAIエージェントに役割を分担させることもあり、単発の生成より高い品質を得やすい。

AIアプリケーションやAIエージェントを、外部のツール、データ、サービスに接続するための標準的なプロトコル。2024年にAnthropicが公開し、AIアプリケーション側のクライアントが、機能を提供するMCPサーバとJSON-RPCで通信する。接続方法を共通化することで、ツールごとの個別の連携開発を減らせる。

異なる開発元や基盤で作られたAIエージェントどうしが、互いの能力を発見し、タスクの依頼や結果のやり取りを行って協調するための通信プロトコル。2025年にGoogleが公開し、各エージェントは自身の能力をエージェントカードで公開する。エージェントとツールを結ぶMCPと補完し合う関係にある。

利用者の指示や質問を自然言語で受け付け、情報の検索、文書の作成や要約、予定の管理などの作業を支援するAI。音声アシスタントや、業務アプリケーションに組み込まれた対話型の支援機能などがある。判断や実行の最終的な主体は利用者に残る点で、自律的に作業を進めるAIエージェントと区別されることが多い。

大規模言語モデルに、考える（Reasoning）ことと行動する（Acting）ことを交互に行わせるAIエージェントの設計パターン。「思考（次に何をすべきか）→行動（検索などのツールの呼出し）→観察（ツールの結果）」を目的が達成されるまで繰り返す。外部から得た情報に基づいて推論を進めるのでハルシネーションを減らせ、途中の思考の記録から動作を追跡しやすいが、ループが長引くと費用と時間がかさむ。

役割の異なる複数のAIエージェントが、情報を受け渡しながら協調して1つの目的を達成する構成。全体を指揮するエージェントが作業を分け、調査、実装、検証などを担うサブエージェントに任せる形が多い。各エージェントの文脈を小さく保てて並列にも処理できるが、エージェント間の調整や情報の受渡しの失敗、費用の増加に注意が要り、異なる製品のエージェント間の連携にはA2Aなどのプロトコルを使う。

大規模言語モデルに、利用できる関数（ツール）の名前、説明、引数の形式をあらかじめ渡しておき、モデルが必要と判断したときに、呼び出す関数名と引数をJSONなどの構造化された形式で出力させる仕組み。ツール呼出し（Tool Use）ともいう。モデル自身は関数を実行せず、アプリケーションが出力を受けて実際に関数を実行し、その結果をモデルに返して回答を続けさせる。