カテゴリ

AIエージェントの記事一覧

9件の記事があります。

Mixture-of-Agentsとは？複数LLMを階層的に協調させて回答品質を高める推論設計

Mixture-of-Agentsは、複数の大規模言語モデルの出力を段階的に集約し、単体モデルより高品質な回答を目指す推論設計です。提案役と集約役の分担、層構造、評価結果、実務での使い道を日本語で解説します。

参照論文：Mixture-of-Agents Enhances Large Language Model Capabilities

MemGPTは、LLMの限られたコンテキストをOSの仮想メモリのように扱い、必要な情報だけを出し入れしながら長文読解や長期対話を続ける技術です。固定長コンテキストの限界をどう越えるのか、仕組みと使い道を日本語で解説します。

参照論文：MemGPT: Towards LLMs as Operating Systems

LLMCompilerは、LLMエージェントの関数呼び出しをDAGとして計画し、依存関係を保ちながら並列実行する技術です。仕組み、実験結果、実務での使い道を日本語で解説します。

参照論文：An LLM Compiler for Parallel Function Calling

ToolRerankは、AIエージェントのツール選択で起きやすい取りこぼしや偏りを減らすために、見たことのあるツールと未知のツールを分けて扱い、単一ツール型と複数ツール型のクエリで再ランキング戦略を切り替える手法です。仕組み、実験結果、実務での活かし方を日本語で解説します。

参照論文：ToolRerank: Adaptive and Hierarchy-Aware Reranking for Tool Retrieval

Tree of Thoughtsは、LLMの推論を1本の連続生成ではなく、複数の思考候補を探索しながら進める技術です。仕組み、実験結果、AIエージェントや複雑タスクへの使い道を日本語で解説します。

参照論文：Tree of Thoughts: Deliberate Problem Solving with Large Language Models

GraphReaderは、長い文書をそのままLLMに流し込む代わりに、文書をグラフ構造へ変換し、エージェントが必要なノードだけを探索しながら答えを組み立てる技術です。長文QA、RAG、社内検索への使い道まで日本語で解説します。

参照論文：GraphReader: Building Graph-based Agent to Enhance Long-Context Abilities of Large Language Models

Reflexionは、AIエージェントが失敗理由を自然言語で振り返り、メモとして次回試行に持ち越す技術です。仕組み、実験結果、エージェント開発での使い道を日本語で解説します。

参照論文：Reflexion: Language Agents with Verbal Reinforcement Learning

ReActは、LLMに考える過程と外部アクションを交互に出させることで、検索・ツール利用・逐次タスク実行を安定させる技術です。エージェント設計の基本として、仕組みと使い道を技術的に整理します。

参照論文：ReAct: Synergizing Reasoning and Acting in Language Models

Toolformerは、少数のAPI使用例だけを手がかりに、LLMがいつツールを呼ぶべきか、何を渡すべきか、返り値をどう使うべきかを自己教師ありで学ぶ技術です。エージェントや業務自動化にどう効くのかを技術的に整理します。

参照論文：Toolformer: Language Models Can Teach Themselves to Use Tools