読んでおきたいエージェントAI論文5選
本記事は、現代のAIエージェントを理解するための基礎となる5本の論文（ReAct、Toolformer、Generative Agents、Voyager、AutoGen）を紹介します。推論と行動のループ、ツールの自己教師あり学習、記憶と内省、身体的環境での生涯学習、複数エージェントの協調をそれぞれ解説します。エージェントAIの全体像をつかみたい人に最適です。
エージェントAI（Agentic AI）は、現在のAI分野でもっとも注目されているテーマのひとつです。ツールを使うエージェント、記憶を持つエージェント、計画を立てるエージェント、他のエージェントと協力するエージェント、環境を自ら探索するエージェントなど、さまざまな話を耳にします。情報は豊富ですが、いきなり長大なサーベイ論文から始めると、かえって混乱してしまうでしょう。より良い学び方は、重要な論文を数本選び、それぞれが持つ中心的なアイデアを1つずつ理解することです。本記事は「5 Fun」シリーズのひとつで、前回の「LLMを明確に説明する5本の論文」から一歩進み、テキスト生成を行うモデルから、推論・ツール使用・記憶・協調ができるAIエージェントへと焦点を移します。
- ReAct: Synergizing Reasoning and Acting in Language Models（著者：Shunyu Yao 氏ら）
エージェントAIを理解するうえで、まず読むべき論文のひとつです。中心となる考え方は、エージェントは「考えるだけ」でも「行動するだけ」でもなく、両方を組み合わせるべきだというものです。ReActは、モデルが推論ステップと行動を交互に行うためのプロンプトフレームワークを提案します。推論によってモデルは計画を立て、進捗を追跡し、ミスから回復できます。行動によって検索APIや知識ベース、意思決定タスクといった外部環境とやり取りできます。現代のAIエージェントの多くは、「考え、行動し、観察し、更新し、続ける」という同じ基本ループに従っています。大規模言語モデル（LLM）エージェントの基礎を知りたいなら、最初に読むべき論文です。
- Toolformer: Language Models Can Teach Themselves to Use Tools（著者：Timo Schick 氏ら）
ツール使用はエージェントAIの中でも重要な要素です。言語モデルは文章作成や推論が得意でも、計算、事実の確認、翻訳、最新情報の取得などでは苦労することがあります。Toolformerは、言語モデルが外部APIを自己教師ありの方法で使うことを学ぶ仕組みを探求しています。モデルは、いつツールを呼ぶか、どのツールを呼ぶか、どの引数を渡すか、そして返ってきた結果を最終回答にどう活かすかを学習します。論文では、計算機、検索エンジン、翻訳システム、カレンダー、質問応答システムなどのツールが扱われています。この論文の重要性は、「LLMはテキスト生成器」という見方から、「外部の助けがいつ有効かを判断できるシステム」という見方へと移行させた点にあります。
- Generative Agents: Interactive Simulacra of Human Behavior（著者：Joon Sung Park 氏ら）
これは最も楽しく読めるエージェント論文のひとつで、小さなAI社会が動き出すのを見ているような感覚になります。論文では、『The Sims』に触発されたインタラクティブ環境で、信頼できる人間らしい行動をシミュレートする生成エージェントが紹介されています。これらのエージェントは起床し、計画を立て、過去の経験を記憶し、それについて内省し、他のエージェントと会話し、将来の行動を調整します。主要なアーキテクチャは、記憶・内省・計画を組み合わせたものです。この論文は、エージェントの行動が単一のタスクを解くことだけではなく、連続性にも関わることを示しています。つまり、エージェントが何を覚えているか、信念をどう更新するか、過去の出来事が将来の意思決定にどう影響するかが重要です。記憶と内省がなぜ重要なのかを理解したいなら、この論文は最適な出発点です。
- Voyager: An Open-Ended Embodied Agent with Large Language Models（著者：Guanzhi Wang 氏ら）
Voyagerは、エージェントAIを身体的環境（この場合はMinecraft）に持ち込んだ興味深い論文です。固定されたタスクを解いて停止するのではなく、周囲の世界を探索し続け、新しいことを発見し、再利用可能なスキルのライブラリを成長させます。アーキテクチャには3つの重要な要素があります。（1）探索のための自動カリキュラム、（2）実行可能な行動を保存するスキルライブラリ、（3）環境フィードバックと実行エラーを利用して改善する反復的プロンプトメカニズムです。この論文は、長期間稼働するエージェントに何が必要か、そして環境との継続的な相互作用を通じてフィードバックを得て改善していく方法を示しています。
- AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation（著者：Qingyun Wu 氏ら）
現実世界のタスクの多くは、単一のエージェントだけではうまく処理できないほど大規模です。AutoGenは、複数のエージェントが互いに会話しながらタスクを解決するためのフレームワークを提案します。これらのエージェントは異なる役割を担い、ツールを使用し、人間をループに含め、コードを実行し、会話を通じて調整を行います。論文では、コーディング、数学、質問応答、オペレーションズリサーチ、意思決定などの応用が示されています。この論文の重要性は、エージェントAIにおける最大の転換のひとつを説明している点にあります。それは、単一のアシスタントから、協調する専門エージェントのシステムへの移行です。ReActがエージェントの基本ループを説明するなら、AutoGenはそのループをチームにする方法を説明します。
まとめ これら5本の論文は、エージェントAIを理解するための強固な基礎を提供します。ReActは「推論と行動」のループを、Toolformerはモデルがツールの使い方を学習する仕組みを、Generative Agentsは記憶・内省・信頼できる行動を、Voyagerは環境内での生涯学習と再利用可能なスキルを、AutoGenは複数エージェント間の協調をそれぞれ説明しています。初めて読むときは実装の詳細を覚えようとせず、中心となるアイデアに集中してください。この5本を理解すれば、ほとんどのエージェントAIシステムは理解しやすくなります。それらは通常、推論・行動・ツール・記憶・フィードバック・計画・協調という同じ構成要素を組み合わせて作られているからです。