タスクの特性と実行方法に基づき、エージェントは異なるタスク実行モードを採用できます。以下では、ReAct、Plan-and-Execute、Reflection、マルチエージェント協調の4つの一般的なモードを紹介します。これらは、動的実行、タスク計画、結果改善、タスク分割などの側面からエージェントのタスク実行プロセスを組織します。

ReActモード

ReAct（Reasoning and Acting）は、推論と行動を組み合わせたタスク実行アプローチであり、Shunyu Yaoらによって提案されました。大規模モデルは現在の情報に基づいて推論と行動を行い、行動から得られた新しい情報に基づいて推論と行動を続け、タスクが完了するまで続けます。

典型的なReActプロセスには、Thought（推論）、Action（行動）、Observation（観察）が含まれます。Thoughtは、次のステップを判断するために現在の情報を分析するモデルを表します。外部情報を取得する必要がある場合や操作を実行する必要がある場合、モデルは検索ツールの呼び出しやデータベースのクエリなど、対応するActionを生成します。ツールから返された結果はObservationとしてモデルに提供され、モデルはこの新しい情報に基づいて判断を続けます。

タスク実行中、Thought、Action、Observationはタスクのニーズに応じて交互に出現し、推論、行動、観察が連携する実行プロセスを形成します。典型的なプロセスは以下のように表せます：

Thought → Action → Observation → Thought → Action → Observation → ... → 最終結果

例えば、ユーザーが「2024年ノーベル物理学賞受賞者は誰ですか？そのうち最も年齢が高いのは誰ですか？」と尋ねます。

エージェントはまず2024年ノーベル物理学賞受賞者リストを取得する必要があると判断し、検索ツールを呼び出してクエリします。リストを取得した後、受賞者の年齢を比較する必要があることがわかり、生年月日を引き続きクエリします。必要な情報を取得した後、エージェントは比較し、最終回答を生成します。

このプロセスで、エージェントはタスク開始時にすべての実行ステップを決定したわけではなく、各ツールの返信結果に基づいて次のステップを決定しました。したがって、ReActは検索、クエリ、ツール呼び出しなど、外部環境との継続的なインタラクションを必要とするタスクに適しています。ステップの多い複雑なタスクでは、このステップバイステップのアプローチを完全に使用すると、ステップの欠落や実行パスの繰り返しが発生する可能性があります。

Plan-and-Executeモード

Plan-and-Executeは、複雑なタスクの処理を計画と実行の2つのフェーズに分割します。タスクを受け取った後、エージェントはまずタスク目標を分析し、完了する必要があるステップを分解し、全体的な計画を形成してから、計画に従って段階的に実行します。

例えば、ユーザーが「3つの新エネルギー車企業の最近の業績を分析し、比較レポートを作成してください」と要求します。このタスクには、データ収集、データ整理、比較分析、レポート生成などの複数のステップが含まれます。このような複数ステップのタスクには、次のように計画を先に立てることができます：

1. 比較する3つの企業を特定する。
2. 各企業の過去1年間の事業データを収集する。
3. 売上高や収益などの主要指標を整理する。
4. 各企業の業績を比較する。
5. 差異をまとめ、レポートを生成する。

計画が形成された後、エージェントはタスクを順番に完了します。ステップを実行する際に、検索、データベース、その他のツールを呼び出すことができます。実行中に元の計画が続行できない場合や、新しいタスクニーズが発生した場合は、元の計画を調整できます。

Plan-and-Executeの典型的な実行プロセスは以下のように表せます：

ユーザータスク → 計画作成 → 段階的実行 → タスク状態確認 → 最終結果

タスク状態を確認する際、元の計画に調整が必要な場合は、実行を続行する前に再計画を行うことができます。

ReActと比較して、Plan-and-Executeは実行前に全体的な計画を立てる点を強調しているため、ステップが多く、目標が明確で、事前に分解できるタスクに適しています。2つのモードは組み合わせることもできます。例えば、Plan-and-Executeを使用して複雑なタスクを計画し、個々のステップ内でReActを使用して、ツールの返信結果に基づいて次の操作を動的に決定します。

Reflectionモード

エージェントが最初に生成した結果は、タスクの要件を満たすとは限りません。例えば、生成されたレポートには重要な情報が欠落している場合や、回答に事実誤りがある場合、コードが正しく実行されない場合があります。このようなタスクには、予備結果に基づいてチェックと改善プロセスを追加できます — これはReflection（リフレクション）モードの基本的な考えです。

基本的なReflectionプロセスは以下のように表せます：ユーザータスク → 予備結果生成 → 結果チェック → 問題特定 → 結果修正 → 再チェック → ... → 要件充足 → 最終結果。

例えば、複数のソースに基づいてエージェントに製品比較レポートを生成させます。最初のドラフトを完成させた後、比較する必要があるすべての製品がカバーされているか、製品パラメータが元のソースと一致しているか、重要な差異が見落とされていないかをさらに確認できます。製品の情報が不完全な場合は、資料を再検索して補完できます。結論がソースと一致しない場合は、修正が必要です。

このプロセスで、結果をチェックするために使用されるフィードバックは、異なるソースから得ることができます。エージェントは自身の実行結果をチェックしたり、他のエージェントやモデルを使用して評価したり、ルール、ナレッジベース、または手動レビューを組み合わせてフィードバックを提供したりできます。

このモードは、レポート生成、コード作成、複雑な分析など、結果の品質要件が高いタスクに適しています。ただし、複数のチェックと修正はモデル呼び出し回数と実行時間も増やすため、実際のアプリケーションでは通常、終了条件を設定します。例えば、結果が要件を満たした場合に終了するか、最大チェック回数に達した場合に停止します。

マルチエージェント協調モード

一部の複雑なタスクでは、単一のエージェントがデータ収集、データ分析、コンテンツ生成、結果チェックを同時に処理する必要がある場合があります。この場合、タスクを複数のエージェントに割り当て、それぞれが異なる部分を処理し、協力して最終目標を達成できます。マルチエージェント協調には、主にタスク分割と情報交換の2つの側面が含まれます。

タスク分割では、異なるエージェントに異なる役割、タスク、ツール、知識を割り当てます。例えば、業界調査レポートを作成する場合、リサーチエージェント、データ分析エージェント、ライティングエージェント、レビューエージェントを設定できます。リサーチエージェントは資料の収集と整理を担当し、データ分析エージェントは関連データを処理し、ライティングエージェントはレポートを生成し、レビューエージェントはレポートをチェックします。

情報交換の側面では、複数のエージェント間で異なる協力方法を使用できます。明確に分割できるタスクでは、複数のエージェントが異なるサブタスクを個別に処理し、最後に結果をまとめることができます。順序付き依存関係があるタスクでは、1つのエージェントの結果を次のエージェントに渡して処理を続けることができます。繰り返しの議論や修正が必要なタスクでは、異なるエージェントがメッセージインタラクションを通じて情報を交換できます。さらに、現在の状況に基づいて次にどのエージェントがタスクを処理するかを決定する協調エージェントを設定することもできます。

業界調査レポートの生成を例にすると、マルチエージェント協調アプローチは以下の図に示されます：

マルチエージェント協調は、分業により単一のエージェントによる複雑なタスク処理の難易度を低減できますが、エージェントの数が多ければ良いわけではありません。エージェントの数が増えるにつれ、タスク割り当て、情報伝達、結果調整も複雑になり、モデル呼び出し回数と実行コストも増加します。したがって、単一のエージェントが完了できるタスクには、通常複数のエージェントを導入する必要はありません。

これらのタスク実行モードは相互に独立しておらず、実際のアプリケーションではタスクのニーズに応じて組み合わせることができます。例えば、Plan-and-Executeを使用して複雑なタスクを計画し、ReActを使用して複数のツール呼び出しを必要とするステップを完了し、Reflectionを使用して結果をチェック・改善します。より大規模なタスクについては、異なるサブタスクを複数のエージェントに割り当てて協力的に完了させることができます。