OpenAgents：言語エージェントのためのオープンプラットフォーム

近年、特に大規模言語モデル（LLM）に基づく言語エージェントが、自然言語を使って多様な環境で複雑な作業を実行できる可能性を示しています。しかし、多くのフレームワークは概念実証の構築に重点を置き、アプリケーションとしての設計や非専門家の使いやすさを十分に考慮していません。

OpenAgentsは、実環境の日常的な作業に向けて言語エージェントをホストし、展開するオープンプラットフォームです。中心となるのは次の三つです。

• データエージェント：データツール、SQLなどのクエリ言語、Pythonなどのプログラミング言語で分析を支援します。
• プラグインエージェント：日常作業に役立つ200以上のAPIツールへのアクセスを提供します。
• ウェブエージェント：原文では、匿名性を維持したウェブ閲覧を支援すると説明されています。

よくある障害への対応と迅速な応答を考慮したウェブUIにより一般利用者が機能を使え、研究者や開発者はローカル環境に円滑に展開できます。実環境での評価と新しい効果的なエージェント開発の基盤を目指す仕組みです。本稿では構造、動作、課題、成果を詳しく見ていきます。

OpenAgentsと言語エージェント：導入

言語エージェントは、自律的に問題を解き、環境を感知して判断・行動する知的エージェントの概念に由来します。開発者はこれをLLMと組み合わせ、自然言語によるプログラミングで多様な作業を行うエージェントを作っています。

GravitasやChaseなどの既存フレームワークは主に開発者向けのコンソールと概念実証を提供しますが、特にコードを書けない人には利用しにくい面があります。既存のベンチマークも、ウェブ閲覧、コーディング、ツール利用やその組み合わせについて、開発者が定めた要件の下で決定論的に評価することを重視しています。

OpenAIやMicrosoft (MSFT ) は、Advanced Data Analysis（旧Code Interpreter）やブラウザプラグインなど、よく設計された製品を提供しています。しかし、原文執筆時点では業務ロジックやモデル実装がオープンソースではなく、開発者・研究者による探索や利用者の無料アクセスに制約がありました。

OpenAgentsはこれに対し、データ分析、200以上のAPIツール、ウェブ閲覧を担当する三つのエージェントを備えたオープンソースの基盤を提供します。対象者別の利用方法は次の図のとおりです。

• 一般利用者は開発者向けパッケージやコンソールではなくウェブ画面から三つのエージェントを使えます。
• 開発者は公開された業務ロジックと研究用コードを使い、バックエンドとフロントエンドを展開して開発を続けられます。
• 研究者は共有部品と例を利用して新しいエージェントや手法を実装し、ウェブUIで評価できます。

本来の目的は、人間が評価過程に参加する現実的で包括的なプラットフォームです。利用者とエージェントの対話およびフィードバックを保存・分析し、その後の開発と評価に活用します。

LLMプロンプティングは、不正・誤入力への対策、出力の見栄え、バックエンドの処理要件を指示として記述する方法です。開発者はアプリケーション要件を明確に指定する重要性を認識しました。一方、指示が積み重なるとトークン制限や文脈処理能力に影響します。実環境では性能だけでなく、多様な対話状況へのリアルタイム対応も必要です。既存のエージェントフレームワークは性能を重視しても、応答性や精度との兼ね合いなど実時間の条件を見落としがちです。

次の図は、エージェントの概念、試作、ベンチマークについて既存研究とOpenAgentsを比較しています。

OpenAgents：プラットフォームの設計と実装

構造は、バックエンドとフロントエンドを含むユーザーインターフェース、およびツール・言語モデル・環境からなる言語エージェントの二つに分かれます。利用者の入力を受けたエージェントは、使えるツールで計画し、環境内で必要な操作を実行します。

ユーザーインターフェース

開発者はホストする各種エージェントと再利用可能な業務ロジックを整理し、機能的で使いやすいUIを設計しました。エラー処理、バックエンドサーバー運用、データストリーミングなどを支え、使いやすさと有効性を両立させています。

言語エージェント

主要要素はツールインターフェース、言語モデル、環境です。プロンプトは観察→検討→行動の順序を指示し、効率よく解析できるテキストをLLMに生成させます。ツールインターフェースのパーサーはそのテキストをAPI呼び出しやコード生成などの実行可能な操作に変換し、対応する環境の範囲内で実行します。

OpenAgentsのエージェント

三つのエージェントはChatGPTプラグインのように分野別の専門性を持ちますが、OpenAgentsの実装は公開された言語モデルAPIを基盤としています。

データエージェント

日常的なデータ作業を扱い、SQLとPythonでのコード生成・実行を支援します。Data Profilingは基本情報を提供し、Kaggle Data Searchはデータセットを検索し、ECharts Toolは対話型グラフを描画します。利用者の要求に効果的に応えるため、ツールを積極的に使うよう指示されます。

コーディングの負担が大きいため、ツール側に言語モデルを組み込み、エージェント本体ではなくPython、ECharts、SQLの各ツールがコードを生成する設計です。モデルのプログラミング能力を活用しつつエージェントの負担を減らし、単なるコード・テキスト生成を超えて、データの可視化、加工、クエリを処理します。

プラグインエージェント

インターネット検索、オンライン購入、ニュース閲覧、ウェブサイト・アプリ作成などに対応する200以上のプラグインを提供します。関数呼び出しのインターフェース、APIへの通信、応答長に配慮した設計です。代表例はGoogle Search、Wolfram Alpha、Zapier、Klarna、Coursera、Show Me、Speak、AskYourPDF、BizTok、Klookです。

利用者は必要なプラグイン数を選べます。

どれが適切か分からない場合は、指示との関連性に基づいて自動選択する機能もあります。

ウェブエージェント

チャットエージェントの能力と効率を高める専門ツールです。主要な対話画面はチャット側が維持し、必要に応じてウェブエージェントを組み込みます。最終応答はウェブエージェントから利用者に届けられます。

チャット側が重要なパラメーターを処理し、URLを体系的に準備してからウェブ側へ渡すため、要求と結果を合わせやすくなります。対話と動的な複数ターンのウェブ操作を組み合わせ、階層的で変化する質問にも対応します。チャットとブラウジングの責任を分けることで、各モジュールを個別に改善できます。

OpenAgents：実用と実環境への展開

理論から実際の展開に進む過程では、次の課題と評価上の複雑さがありました。

プロンプトでLLMを実用アプリにする

プロンプトの一部はバックエンドが処理できる出力形式を指定し、一部は見栄えを改善し、残りは悪意ある攻撃からシステムを守ります。利用者向けアプリではこれらの要件を明示する必要があります。

制御できない実環境の要因

インターネット基盤、利用者、業務ロジックなどの要因により、先行研究に基づく仮定を再評価し、調整する必要が生じました。こうした条件は、利用者が応答に満足しない状況を生むこともあります。

評価の複雑さ

用途に直結したエージェントは適用範囲を広げ、実際的な評価を可能にする一方、アプリ構築と性能分析を複雑にします。不安定さとLLMシステムの処理連鎖が増え、異なる部品への適応も難しくなります。手順を簡素化して有効な出力を得るため、システム設計と動作ロジックの改善が必要です。

まとめ

OpenAgentsは、データ分析、200以上のAPIツール、ウェブ操作を担う三つのエージェントを、一般利用者向けのウェブUIとともに提供します。よくある障害と迅速な応答を考慮し、開発者・研究者がローカルに展開しやすい構造です。透明で包括的な展開可能プラットフォームにより、技術的専門知識の限られた人にもLLMの可能性を開くことを目指しています。