ロドリゴ・セバロス・レンティーニは、GeorgianのAI LabのAIテクニカルリードであり、ジェネレーティブおよびエージェントAIプロジェクトから有形な成果を達成するためにポートフォリオ企業を支援しています。ロドリゴは、ETHチューリッヒからコンピュータビジョンに焦点を当てたニューラルシステムと計算の修士号を持ちます。
人工知能（AI）技術の役割は急速に進化しており、AIのユースケースは、受動的な情報処理から、タスクを実行できるエージェントへの移行が進んでいます。2025年3月にGeorgianとNewtonXによって実施された世界的なAI導入に関する調査によると、成長段階および企業企業の91％の技術エグゼクティブは、エージェントAIを使用または使用を計画していることが報告されています。API呼び出しエージェントは、この移行の主要な例です。API呼び出しエージェントは、大規模な言語モデル（LLM）を使用して、ソフトウェアシステムとのやり取りを行うためのアプリケーション・プログラミング・インターフェイス（API）を介して、ソフトウェアシステムと対話します。たとえば、自然言語コマンドを正確なAPI呼び出しに変換することで、エージェントはリアルタイムのデータを取得したり、ルーチンタスクを自動化したり、または他のソフトウェアシステムを制御したりすることができます。これにより、AIエージェントは、人間の意図とソフトウェア機能の間の有用な仲介者になります。現在、企業はさまざまなドメインでAPI呼び出しエージェントを使用しています。以下はその例です。 コンシューマー・アプリケーション：AppleのSiriやAmazonのAlexaなどのアシスタントは、スマート・ホーム・デバイスの制御や予約などの日常タスクを簡素化するように設計されています。 エンタープライズ・ワークフロー：企業は、データの取得やレポートの生成、内部システムからの情報の統合などの繰り返しタスクを自動化するためにAPIエージェントを展開しています。 データの取得と分析：企業は、独自のデータセット、サブスクリプション・ベースのリソース、パブリックAPIへのアクセスを簡素化するためにAPIエージェントを使用して、インサイトを生成しています。 この記事では、API呼び出しエージェントの理解、構築、最適化に関するエンジニアリング中心のアプローチを使用します。この記事の内容は、GeorgianのAIラボによる実践的な研究と開発に基づいています。API呼び出しエージェントに関するAIラボの研究の多くは、次の質問によって動機づけられています。「組織がAPIを持っている場合、そのAPIと自然言語を使用して対話できるエージェントを構築する最も効果的な方法は何ですか？」API呼び出しエージェントのしくみと、パフォーマンスを確実に実現するためのアーキテクチャとエンジニアリングについて説明します。最後に、エンジニアリングチームがAPI呼び出しエージェントを実装するために使用できる体系的なワークフローを提供します。I. キー定義 APIまたはアプリケーション・プログラミング・インターフェイス：異なるソフトウェア・アプリケーションが通信し、情報を交換できるようにするルールとプロトコルのセット。 エージェント：環境を感知し、決定を下し、特定の目標を達成するために行動を取るように設計されたAIシステム。 API呼び出しエージェント：自然言語の指示を正確なAPI呼び出しに変換する特殊なAIエージェント。 コード生成エージェント：ソフトウェア開発を支援するためにコードを書き、変更し、デバッグするAIシステム。ここでの私の焦点は、APIを「呼び出す」エージェントですが、AIはこれらのエージェントを「構築」するのにも役立ちます。 MCP（モデル・コンテキスト・プロトコル）：LLMが外部ツールやデータ・ソースに接続して利用する方法を定義するプロトコル。特に、Anthropicによって開発されました。 II. コア・タスク：自然言語をAPIアクションに変換するAPI呼び出しエージェントの基本的な機能は、ユーザーの自然言語のリクエストを解釈し、それを1つまたは複数の正確なAPI呼び出しに変換することです。このプロセスには、通常、以下のステップが含まれます。 インテントの認識：ユーザーの目標を理解すること、曖昧に表現されている場合でも。 ツールの選択：利用可能なオプションのセットから、インテントを満たすことができるAPIエンドポイント（または「ツール」）を特定すること。 パラメーターの抽出：選択されたAPI呼び出し（または呼び出し）に必要なパラメーターをユーザーのクエリから特定し、抽出すること。 実行とレスポンスの生成：API呼び出しを行い、レスポンスを受け取り、それをまとめて回答を生成したり、後続のアクションを実行したりすること。 「Hey Siri、今日の天気はどうですか？」というリクエストを考えてみましょう。エージェントは、天気APIを呼び出す必要があることを特定し、ユーザーの現在の場所（または場所の指定を許可）を決定し、天気情報を取得するためにAPI呼び出しを形成する必要があります。「Hey Siri、今日の天気はどうですか？」というリクエストの場合、サンプルのAPI呼び出しは以下のようになります。GET /v1/weather?location=New%20York&units=metricこの変換プロセスには、自然言語の曖昧さやエージェントがマルチステップの対話全体でコンテキストを維持する必要性などの初期の課題が含まれています。たとえば、エージェントは、現在のアクションを通知するために、会話の以前の部分や以前のAPI呼び出しの結果を「覚える」ことが必要です。コンテキストの喪失は、明示的に管理されない場合に一般的な障害モードです。III. ソリューションのアーキテクチャ：キー・コンポーネントとプロトコル有効なAPI呼び出しエージェントを構築するには、構造化されたアーキテクチャ・アプローチが必要です。1. エージェントのツールの定義LLMがAPIを使用するには、そのAPIの機能をLLMが理解できる方法で説明する必要があります。各APIエンドポイントまたは関数は、通常、「ツール」として表されます。ロバストなツール定義には、以下のものが含まれます。 ツールの目的と機能の明確な自然言語による説明。 入力パラメーターの正確な仕様（名前、タイプ、必要かどうか、説明など）。 ツールが返す出力またはデータの説明。...
