Agentic Workflows

エージェント型ワークフローが自律型AIエージェントによる複雑なタスクの解決をどのように可能にするかを発見します。Ultralytics YOLO26のような高度なビジョンツールの統合方法を学びましょう。

エージェンaticワークフロー（Agentic workflows）は、複数の自律型エンティティが相互作用し、意思決定を行い、最小限の人間の介入で多段階のタスクを実行する、人工知能（AI）における変革的なアプローチです。厳格な線形実行パスに従う従来の機械学習パイプラインとは異なり、エージェンaticワークフローは非常に動的です。インテリジェントエージェントまたはエージェントの協調ネットワークが環境を知覚し、複雑な問題を推論し、外部ツールを利用して事前定義された目標を達成することを可能にします。組織がAIの取り組みを拡大するにつれて、エンタープライズエージェンaticワークフローは孤立したスクリプトに代わり、多様な産業にわたって堅牢でスケーラブルな自動化を実現しています。

Agentic Workflowsの理解#

その核心において、agentic workflowはAIを受動的な生成から能動的な問題解決へとシフトさせます。これには、単一のプロンプトによる対話から、計画、実行、観察の反復ループへの移行が必要です。これらのループを調整することで、開発者は予期しないエッジケースを処理し、自らエラーを修正できるシステムを構築できます。

密接に関連する概念を明確に区別するために：AIエージェントは、推論と行動を行う個別の自律型エンティティ（多くの場合、大規模言語モデル（LLM）を搭載）です。逆に、エージェンaticワークフローは、これらのエージェントがどのように連携し、メモリを共有し、アクションの順序を決定するかを統括する包括的なアーキテクチャプロセスです。さらに、生成AIが主にユーザープロンプトに基づいて1回の線形パスでコンテンツを作成するのに対し、エージェンaticシステムは、自己反省、計画、マルチエージェント討論などのエージェンatic設計パターンを使用して、目標が完全に達成されるまで出力を継続的に洗練させます。

中核となるコンポーネント#

これらのワークフローの成功を支えるいくつかの基礎的な要素があります：

LLMバックボーン：ワークフローの中心的な推論エンジン。フレームワークは、OpenAIのGPT-4oのような最先端モデルをオーケストレートして、ユーザーの意図を解釈し、実行計画を動的に生成します。
関数呼び出しとツール使用：エージェントには、外界と対話するための特定のツールが装備されています。これには、データベースのクエリ、コードの実行、またはコンピュータビジョンモデルの呼び出しによる視覚データの分析が含まれます。関数呼び出しに関するOpenAIなどのプロバイダーからのドキュメントは、モデルが出力をフォーマットして外部APIを確実にトリガーする方法の概要を示しています。
オーケストレーションフレームワーク：LangGraph、CrewAI、およびMicrosoft AutoGenなどのライブラリは、エージェントを接続し、会話状態を管理し、タスクをインテリジェントにルーティングするための重要なインフラストラクチャを提供します。
メモリとコンテキスト管理: ハルシネーションを防ぎ、多段階プロセス全体で一貫性を維持するために、ワークフローは短期記憶（現在の会話コンテキストウィンドウ）と長期記憶（永続データベース）を保持し、過去の対話から学習します。

実社会での応用#

Agentic workflowsは、現実世界で複雑かつオープンエンドなタスクを積極的に解決しています：

**自律型目視検査：**製造業において、エージェンaticシステムは欠陥検出を自動化できます。オーケストレーターエージェントがカメラツールをトリガーして画像をキャプチャし、オブジェクト検出モデルを使用して処理し、出力を分析します。欠陥が見つかった場合、エージェントは自律的にメンテナンスチケットを記録し、製品を手動レビューにルーティングして、工場全体の対応を管理します。
**インテリジェント文書解析：**金融および法務の分野では、非構造化PDFから構造化データを抽出するようにワークフローが設計されています。エージェントはレイアウト検出を反復的に適用し、ターゲットを絞ったプロンプトエンジニアリングを使用して自己修正を行い、抽出されたテーブルを予期される財務スキーマと照らし合わせて検証します。
動的なマーケティングオペレーション: 先見の明のあるマーケティングチームは、最新のトレンドを自律的に分析し、キャンペーンアセットを生成し、広告コピーのバリエーションをテストし、リアルタイムのパフォーマンス指標に基づいて予算戦略を調整するエージェントを導入することで、マーケティングワークフローを再構築しています。

例：Vision-Agent Workflowの構築#

Ultralytics Platformと ultralytics Pythonパッケージを使用すると、視覚的インテリジェンスをエージェンaticワークフローに簡単に統合できます。この概念的な例では、エージェンaticシステムがYOLO26を知覚ツールとして使用して生産ラインを検査し、ワークフローの基盤となるロジックが予測モードの結果に基づいて次のアクションを自律的に決定できるようにします。

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 model
model = YOLO("yolo26n.pt")

# Agentic workflow step 1: Vision tool gathers environmental data
results = model.predict("factory_line.jpg")


# Agentic workflow step 2: Agent logic evaluates the visual detections
def decision_agent(detections):
    for obj in detections:
        # Check if the model detected a specific class, e.g., 'defect'
        if obj.names[int(obj.cls)] == "defect":
            return "Action: Trigger immediate maintenance alert."
    return "Action: Continue production line smoothly."


# Execute the agent's decision logic based on bounding box data
action = decision_agent(results[0].boxes)
print(action)

内部でPyTorchのようなフレームワークを活用することにより、これらのビジョンツールは非常に正確な空間認識を広範なAIロジックに取り込みます。エージェンatic組織が成熟し続けるにつれて、高度な推論モデルとリアルタイムの視覚機能の組み合わせが、次世代のインテリジェントで自己修正を行う自動化を推進します。アクティブラーニングと洗練されたオーケストレーションを通じた継続的な改善により、エージェンaticワークフローは、AIシステムが複雑な戦略をエンドツーエンドで確実に実行することを保証します。

Agentic Workflows