Orchestrator-Workers Workflow

データパイプラインを構成する複数の処理について、実行の順序、処理の依存関係、起動のスケジュール、失敗時のリトライや通知を定義し、自動で制御すること。処理の依存関係は有向非巡回グラフ（DAG）で表すことが多く、前の処理が成功してから後続の処理を起動する。Apache Airflowなどのワークフローエンジンが使われる。

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。

AIに1回の指示で完成品を出させるのではなく、計画、ツールの利用、結果の振り返り（自己評価と修正）、複数のエージェントの協調を繰り返しながら作業を進めさせる処理の流れ。人間が試行錯誤するように段階を踏ませることで、1回の生成より品質の高い結果が得られる。処理の手順をあらかじめ決めておくワークフローと、AIが自律的に手順を決めるエージェントの両方の要素を組み合わせて構成する。

異なる企業や開発基盤で作られたAIエージェントどうしが、互いの能力を見つけ、作業を依頼し、結果をやり取りするためのオープンなプロトコルで、Googleが2025年に発表し、同年Linux Foundationに移管された。各エージェントは自らの能力や接続先を記したエージェントカードを公開し、HTTPとJSON-RPCでタスクを受け渡す。エージェントとツールをつなぐMCPと補い合う関係にある。

作業を決まった順序の複数の段階に分け、各段階の大規模言語モデルの出力を次の段階の入力にして順に処理するAIエージェントのワークフロー。段階の間にプログラムによる検査（関門）を挟んで途中の結果を確かめられる。1回で全部を行わせるより各段階が易しくなって精度が上がるが、呼出しの回数だけ時間がかかる。

複数の大規模言語モデルの呼出しを同時に実行し、結果をプログラムで集約するAIエージェントのワークフロー。独立した部分作業に分けて並行させるセクショニングと、同じ作業を複数回実行して多数決などで結論を出す投票（ボーティング）がある。処理時間を短くでき、観点を分けて考えさせたり複数の結果で確信度を上げたりできる。