マルチエージェント設計「15パターン」を整理する——GitHub・Google・Siemensの知見から実務で使える軸を引き出す
マルチエージェントシステムの設計パターンについて、GitHub・Google・Siemensの知見をまとめた記事が@ITに掲載された。15のデザインパターンと6つの基本原則という内容自体は盛りだくさんだが、「とにかくパターンが多い」という印象で終わらせると、実務では使いこなせない。
この記事では、パターンの羅列を整理しながら、「どういう問題意識でこれらのパターンが生まれたのか」「実務でどう判断軸として使うか」に軸足を置いて読み解いていく。
マルチエージェントは「チャット」ではなく「分散システム」である
まず、GitHubの指摘から始めたい。
GitHubは2026年2月、マルチエージェントシステムが失敗する要因を公開している。その核心はシンプルだ。「マルチエージェントシステムはチャットのように動作するのではなく、分散システムのように動作する」。
これを読んで「当たり前では」と思う人は、すでにその前提で設計できている人だ。でも現場を見ていると、まだかなりの割合で「AIに複数のタスクを順番に振れば動く」という感覚で設計が進んでいる。その感覚だと、共有するステートの不整合、実行順序の推測に基づくエラー、曖昧な引き継ぎ、予測しにくい挙動——これらが必ず噴き出す。
GitHubが言う「安定して稼働させるには各ステップの入出力や制約を明示することが不可欠」という言葉は、分散システム設計の基本原則をAIエージェントに当てはめたものだ。新しい概念ではないが、AIエージェントの文脈でこれを徹底している組織は、まだ多くない。
GitHubが示す2つの基本設計:型付きスキーマとアクションスキーマ
GitHubが提示する設計手法は2つ。どちらも地味だが、地味さがむしろ本質を表している。
型付きスキーマは、エージェント間で受け渡すデータの形式・型を明確に定義する仕組みだ。曖昧な言語や統一されていないJSONを使うと、フィールド名の変化やデータ型の不一致が起きる。受け渡し時にデータを検証し、不正な形式のメッセージを早い段階で排除することで、「後続のエージェントが内容を推測する」状況をなくす。GitHubはスキーマ違反を「契約(contract)違反」として扱い、リトライ・修復・エスカレーションを設計に組み込むことを不可欠だとしている。
アクションスキーマは、許可する操作の正確なセットをあらかじめ定義する仕組みだ。ここで引用されている例が面白い。「このイシューを分析してチームが対応できるようにする」という指示を与えると、エージェントによって「クローズ」「アサイン」「エスカレーション」「何もしない」と対応が分かれる可能性がある。どれも合理的な判断に見えるが、自動化としては機能不全だ。LLMは「暗黙の意図」ではなく「明示的な指示」にのみ従う——この原則をアーキテクチャレベルで実装したのがアクションスキーマだ。
なお、GitHubはこれらの制約を一貫して強制する層として、MCP(Model Context Protocol)が有効だとも述べている。スキーマとアクションの制約をMCPで統一的に管理する、という設計思想は今後の実装標準に近づいていく可能性がある。
Googleが解説する8つの基本パターン
Googleは2025年12月、マルチエージェントシステムの基本設計パターン8つを公式ブログで解説した。モノリシックなAIエージェントに多くの役割を担わせると性能が落ちる、という観察から出発し、マイクロサービスアーキテクチャのAI版として、役割を分けたエージェント群を構成することを推奨している。
パターンの中でいくつか重要なものを抜き出す。
シーケンシャルパイプラインは最もシンプルな構成だが、「問題が起きたときの原因調査に適している」という点が実務的には重要だ。複雑なパターンは強力だが、デバッグが難しい。まず直線的な構成で動かし、ボトルネックが見えてから複雑化するという進め方は、システム開発の常道でもある。
**生成者と批評家(編集デスク)**パターンは、コンテンツ作成と検証を分離する。条件付きループが特徴で、批評家エージェントが基準を満たすと判断するまで生成者にフィードバックが戻り続ける。SQLの構文チェックやコンプライアンスレビューに有用とされているが、ループが収束しない場合の終了条件設計を最初から入れておかないと、無限ループとコスト爆発が起きる。
ヒューマンインザループは「AIに任せきらない」構成だ。金融取引、本番環境へのコードデプロイ、機密データに基づく行動——これらは重大な判断や不可逆的な行動を伴うため、人間の承認を挟む。「自動化するなら全部自動化」という極端な発想より、「どこに人間の判断を置くか」を設計する方が、実際の運用では安全で説明責任を果たしやすい。
Googleが最後に「本番で稼働させるアプリケーションを構築するには、これらのパターンを組み合わせることになる」と述べているのは正直な記述だ。個別パターンの学習は入口で、実装はほぼ必ず複合パターンになる。
コンテストの上位作品が明かした4つの設計知見
Googleは2026年9月、スタートアップ向けのAIエージェント開発コンテスト「Google for Startups AI Agents Challenge」の上位作品から、共通する4つの設計パターンを公開している。
ここが個人的に最も面白い部分だ。教科書的なパターンではなく、「実際に作ってみたら何が問題だったか」から生まれた知見だからだ。
双方向MCPは、多くの作品がMCPをデータ取得の一方向のみに使っていたのに対し、あるチームはエージェントが内部で使うツール層を、他のエージェントから呼べるMCPサーバとして公開したパターンだ。これにより、必要なデータだけを絞り込んで取り出せるようになり、トークン予算の消費を抑えられた。ただし制御下にない呼び出し元にサービスを提供する以上、アクセス制御の設計が必須になる。
フォールバック先への同一検証適用のパターンも地味だが重要だ。ある臨床推論エージェントは、主系統モデルが503エラーを返したときに別モデルに切り替えるフォールバックを実装したが、ポイントは「主系統と待機系統の両方に、まったく同じ検証関数を通した」ことにある。検証ロジックを複製すると、片方だけ更新して他方を忘れるリスクが生じる。単一の関数を両経路から呼ぶ構造にすることで、フォールバック時も基準が崩れない。
段階的な振り分けは、コスト削減の観点で特に刺さる知見だ。あるチームが推論予算の消費先を計測したところ、コストの高いモデルの呼び出しを引き起こしていたのは、難しい質問ではなく「注文品は今どこにあるのか」「予約を取り消したい」といった簡単な質問だったという。対策として3層の分類器を前段に置いた。まずローカルで実行する正規表現チェック(トークン消費なし)、次に安価なモデルで意図だけを分類、両方を通り抜けたものだけを本格的な推論モデルに渡す。このチームの計測では、最初の1層だけで受信メッセージの40%超をモデル呼び出し前に処理できたという。
40%という数字はかなりインパクトがある。コスト最適化の文脈で「高性能モデルを使い分けよう」という話は多いが、「正規表現で4割弾ける」という実測値は、実装の優先順位を変える情報だ。
Siemensの「象を切り分ける」——数億行のレガシーコードとの戦い
Google Cloudが2026年6月に紹介したSiemensとの共同開発システム「Knowledge Fabric」は、マルチエージェント設計が「お試し」ではなく「実際の産業システム」に適用された事例として読める。
Siemensが抱えていた課題は、長年の開発で蓄積された数億行規模のレガシーコードだ。重要な知識はコードだけでなく、Jiraのチケット、Confluenceのページ、PDFマニュアルなどに散在していた。既存のコーディング支援ツールでは、複雑かつ多層的な産業用コードを読み解くためのコンテキストが足りなかった。
Knowledge Fabricはナレッジグラフを使ってコードとドキュメントの関係を整理し、AIエージェントが変更による影響を分析できるようにした。
そしてこのシステムで採用されたのが「象を切り分ける(slicing the elephant)」パターンだ。「このモジュールをリファクタリングする」という大まかな要求を、より小さく扱いやすいタスクに分解する。AIエージェントが大規模で曖昧なタスクを苦手とすることが、プロジェクトを通じて明らかになったことで採用されたとある。これは正直な記述だと思う。
細分化されたタスクを、以下5種類の専門エージェントが分担する構成だ。
- 検索エージェント:コードグラフを探索し関連ドキュメントと照合
- ユーザーストーリーエージェント:要件収集と受け入れ基準の作成
- アーキテクチャ影響エージェント:変更による影響・副作用の分析
- 実装エージェント・テストエージェント(本文抜粋の範囲内)
職能としての役割分担が、エージェント設計にそのまま反映されている。
15パターンは「比較対象」ではなく「診断の地図」として使う
ここからは解釈の話だ。
15のパターンを並べて読むと、「どれを選ぶか」という問いを立てたくなる。でもそれは問いの立て方として少しズレている。これらのパターンは同じレイヤーの概念ではないからだ。
型付きスキーマとアクションスキーマはデータ契約の話で、シーケンシャルパイプラインは実行順序の話で、コーディネーター/ディスパッチャーは意思決定の話で、ヒューマンインザループはガバナンスの話だ。それぞれ違う問題に答えている。
正しい使い方は「今のシステムのどこが壊れているか(あるいは壊れそうか)」を先に特定して、そこに当てはまるパターンを参照することだ。
- エージェント間のデータ不整合が起きている → 型付きスキーマ
- エージェントの判断がバラつく → アクションスキーマ
- 処理が遅い・並列化できていない → 並行分岐/集約
- コストが予算オーバーになる → 段階的な振り分け
- 本番デプロイが怖い → ヒューマンインザループ
- 大規模タスクを投げたら動かない → 象を切り分ける
この読み方をすると、15パターンが「比較して選ぶカタログ」ではなく「症状から引く診断の地図」になる。
実務的な示唆と次に来る壁
開発者や技術責任者がこの記事を読んで何を考えるべきか。
今すぐ全パターンを実装する必要はない。 むしろ、自分のシステムで今何が問題かを言語化するフレームワークとして使うのが現実的だ。マルチエージェントを「導入した」だけで品質問題を解決しようとすると、問題が複雑化するだけで何も改善しない。
コスト問題は早めに設計に組み込む。 Googleのコンテスト事例にあった「40%超を正規表現で処理できた」という数字は、実装する前に測定することの重要性を示している。高性能モデルを呼び出す前にどこで弾けるかを計測する習慣が、後々のコスト管理を大きく左右する。
次に問題になるのは以下の3点だと見ている。
1つは検証の一貫性。フォールバック先のモデルにも同じ検証基準を適用する、というパターンが示すように、エージェントが増えるほど「どこで検証するか」の設計が複雑になる。片方だけ更新して他方を忘れる、という問題はシステムが大きくなるほど起きやすい。
2つ目はガバナンスとアクセス制御。双方向MCPのパターンが「制御下にない呼び出し元にサービスを提供するなら、実効性のあるアクセス制御が必要」と明示しているように、エージェントが他のエージェントを呼べる構成になるほど、誰が何を呼べるかの設計が重要になる。
3つ目はヒューマンインザループの設計コスト。自動化が進むほど「どこに人間を挟むか」の設計に時間がかかるようになる。「何でも承認」では自動化の意味がなく、「承認なし」ではリスクが取れない。その境界線をどこに引くか、組織ごとに決めていく必要がある。
まとめ
GitHubは「分散システムとして設計せよ」と言い、Googleは「役割を割り当てて組み合わせよ」と言い、Siemensは「大きなタスクは切り分けよ」と実装した。3社の知見を並べると、マルチエージェント設計の基本的な思想は一致している。
「曖昧さを設計で潰す」こと。
AIエージェントは曖昧な指示、曖昧なデータ、曖昧な境界に弱い。その曖昧さをスキーマで、アクション定義で、タスク分解で潰していく——それがマルチエージェント設計の本質だ。15のパターンはそのための道具であって、パターンを知ることが目的ではない。
参考元: 【図解あり】マルチエージェント設計「15のパターン」 GitHub、Google、Siemensの知見を一気に整理(@IT)