【AIエージェント開発】LLMアプリ開発の1stステップと論文キャッチアップ - 論文を活用したAIエージェント開発の始め方

2025/03/28開催
【AIエージェント開発】LLMアプリ開発の1stステップと論文キャッチアップ
論文を活用したAIエージェント開発の始め方
https://generative-agents.connpass.com/event/348990/

Transcript

1. 論文を活用した AIエージェント開発の始め方 株式会社ジェネラティブエージェンツ 西見 公宏 【AIエージェント開発】LLMアプリ開発の1stステップと論文キャッチアップ Generative Agents, Inc. / Masahiro Nishimi
2. 西見 公宏（にしみ まさひろ） 株式会社ジェネラティブエージェンツ代表 #アジャイル開発 #生成AI #顧問CTO #新規事業IT #中学生からプログラマ #富士山の麓に移住 生誕〜／ゲーム開発 1983年 兵庫生まれ／東京育ち 中学生時代からプログラミング に親しみ、CGIによるWebサー ビス開発やDirectXを利用した 同人ゲーム開発などを行う。初 めて触ったのはC言語。 起業／Web制作 2001年頃からWebデザイナー として活動開始 法人向けWebサイトの受託制 作からスタートし、法人向け CMS、デザインテンプレート の開発／提供を行う。 就職／大規模開発 顧問CTO／サービス開発 現在／生成AI 2008年〜TIS株式会社 財務会計領域を中心にERPコン サルタントとして従事。金融か ら製造業まで経験。大規模デー タから会計仕訳を自動生成する 仕組みのソリューション化。 2011年〜株式会社ソニックガーデン 設立期に1人目社員としてジョイ ン。顧問CTOとして企画から開発ま で従事。アジャイル開発特化。2015 年に取締役就任。年間100件以上の 新規事業相談に対応、PJ立ち上げ。 2024年〜株式会社ジェネラティブ エージェンツ創業：AIエージェン ト書籍の上梓をきっかけにAIエー ジェント活用事例の展開を加速す るため3人の共同創業者と共に新会 社を設立。事業拡大に奔走中。 https://my.prairie.cards/u/mah_lab #講師業 有限会社エッジドエッジ代表プログラマ 合同会社てにをはCTO Unicorn farm主催Startup Advisor Academy認定 サウナ・スパ健康アドバイザー #専門誌連載 #書籍執筆 ▼MBTI 　ENFP（外向、直観、感情、知覚的態度） ▼ストレングスファインダー 　最上志向、収集性、戦略性、未来志向、適応性 ▼趣味 　サウナ、焚き火、子どもと遊ぶこと、安い店で飲むこと マイパーソナリティ #Ruby #子ども4人 #イヌ #LangChainJP
3. 会社名 株式会社ジェネラティブエージェンツ （英文：Generative Agents, Inc.） 所在地 東京都港区 ※ 全社員リモート勤務 役員構成 CEO 西見 公宏 COO 吉田 真吾 CTO 大嶋 勇樹 設立年月 2024年3月14日 事業内容 AIエージェント技術を軸とした生成 AIアプリケーション開発 支援、コンサルティング、教育・研修サービスの提供 AIエージェントインテグレーションサービスの提供 AIエージェントを実業務で本当に活用するためには、AIエージェントの技術特性 と問題解決領域の両面から検討を進める必要があります。当社は「LangChain」 の公式エキスパートとして、AIエージェントを開発するための確かな技術力を活 かし、生成AIアプリケーション開発支援からコンサルティング、教育・研修サービ スまでのあらゆる方面において、AIエージェントを活用した問題解決サービスを 提供します。 インテグレーションを支えるサービス群の提供 AIエージェントを効果的に運用するためには、AIエージェントを動かすためのイ ンフラが必要です。当社はマルチエージェントのオーケストレーション基盤である 「Generative Workforce（※開発中）」をはじめ、AIエージェントのためのツール群 「middleman.ai」の提供を通して、AIエージェント活用のための基盤構築をサ ポートします。 株式会社ジェネラティブエージェンツ - 会社概要 AIエージェントが「ハブ」となり 人間とAIエージェントの協働が 当たり前になる世界を実現する
4. LangChain/AIエージェントに関する主な著書 2023年12月16日発売 一般向け AIエージェント解説書 2024年11月9日発売 開発者向け AIエージェント解説書 2023年10月号から連載 実践 LLMアプリケーション開発
5. 『LangChainとLangGraphによるRAG・AIエージェント［実践］入門』 1. LLMアプリケーション開発の基礎 2. OpenAIのチャットAPIの基礎 3. プロンプトエンジニアリング 4. LangChainの基礎 5. LangChain Expression Language（LCEL）徹底解説 6. Advanced RAG 7. LangSmithを使ったRAGアプリケーションの評価 8. AIエージェントとは 9. LangGraphで作るAIエージェント実践入門 10. 要件定義書生成AIエージェントの開発 11. エージェントデザインパターン 12. LangChain/LangGraphで実装するエージェントデザインパターン
6. 第10章 要件定義書生成AIエージェントの開発 1. LLMアプリケーション開発の基礎 2. OpenAIのチャットAPIの基礎 3. プロンプトエンジニアリング 4. LangChainの基礎 5. LangChain Expression Language（LCEL）徹底解説 6. Advanced RAG 7. LangSmithを使ったRAGアプリケーションの評価 8. AIエージェントとは 9. LangGraphで作るAIエージェント実践入門 10. 要件定義書生成AIエージェントの開発 11. エージェントデザインパターン 12. LangChain/LangGraphで実装するエージェントデザインパターン
7. どうやってつくる？
8. ドメインエキスパートに聞いて試行錯誤しても良いですが・・・
9. 先行研究から検討することも有効です
10. どうやって論文を探すのか？ Deep Researchを使おう
11. ・Elicitronは大規模言語モデル（LLM）を活用して設計要件抽出プロセスを自 動化・強化するフレームワーク。 ・LLMを使用して多様なシミュレーションユーザー（LLMエージェント）を生 成し、幅広いユーザーニーズと未知の使用シナリオを探索。 ・エージェントが製品体験シナリオに参加し、行動、観察、課題を説明し、そ の後のエージェントインタビューと分析によって潜在的ニーズを含む貴重な ユーザーニーズを発見。 論文の概要 先行研究と比較した優位点 論文の主張のポイント ・従来の要件抽出方法（インタビュー、フォーカスグループ、プロトタイピン グなど）は時間と資源を要するが、Elicitronは自動化されたプロセスにより効 率的かつスケーラブル。 ・従来の方法では捉えにくい潜在的ニーズ（ユーザーが明確に表現できない隠 れたニーズ）を、共感的リードユーザーをシミュレートすることで効果的に発 見。 ・多様なユーザーシナリオを同時に探索でき、製品開発の初期段階でのコスト 削減とイノベーション増加の可能性を提供。 ・コンテキスト認識型のエージェント生成方法（逐次的生成法）により、より 多様なユーザーニーズを発見できる。 ・LLMエージェントを使用した共感的リードユーザーインタビューのシミュ レーションは、従来の人間インタビューよりも多くの潜在的ニーズを特定でき る。 ・LLMは適切な基準とChain-of-Thought推論を使用することで、インタビュー を分析してニーズを抽出し、それが潜在的かどうかを分類する能力を持つ。 Mohammadmehdi Ataei et al, 2024 https://arxiv.org/abs/2404.16045 Elicitron: An LLM Agent-Based Simulation Framework for Design Requirements Elicitation Fig. 1 Elictron's architecture for requirements elicitation using LLMs
12. Elicitron: An LLM Agent-Based Simulation Framework for Design Requirements Elicitation ・実験1: 多様なエージェント生成方法（逐次、並列、フィルタリング付き並 列）を比較し、コンテキスト認識型の逐次生成法が最も多様性の高いエージェ ントとニーズを生成。 ・実験2: 自動、ステアリング付き自動、手動のELU（共感的リードユーザー） エージェント生成方法を比較し、LLMエージェントが従来の人間インタビュー よりも多くの潜在的ニーズを特定（平均8.8〜10.9個vs約6個）。 ・実験3: LLMによる潜在的ニーズの自動検出を評価し、基準と Chain-of-Thought推論を組み合わせることで高い精度（適合率、再現率、F1ス コア全てで0.95）を達成。 検証方法と結果 ・生成されるインサイトの質はLLMの能力に依存しており、LLMの進化ととも に改善されることが期待される。 ・潜在的ニーズの優先順位付けは設計者の役割であり、完全に自動化されてい ない。 ・今後の研究として、Elicitronが設計者を支援する能力の検証、マルチエー ジェント間の相互作用探索、マルチモーダル入出力の統合などが挙げられてい る。 手法の限界と今後の課題 Fig. 4 Comparison of the average number of latent needs identified by each user agent across the experimental conditions. Fig. 2 Four groups of users' embeddings after reducing dimensions to 2 using t-SNE. Mohammadmehdi Ataei et al, 2024 https://arxiv.org/abs/2404.16045
13. ステークホルダー の特定 情報収集 要求の分析と整理 要求の文書化 検証と妥当性確認 要件定義のプロセス IPA刊行「ユーザのための要件定義ガイド 第2版 要件定義を成功に導く128の勘どころ」を元に整理 https://www.ipa.go.jp/archive/publish/tn20191220.html
14. ステークホルダー の特定 情報収集 要求の分析と整理 要求の文書化 検証と妥当性確認 ペルソナの作成 生成したペルソナ にインタビュー インタビュー結果 を評価 レポートの生成 要件定義のプロセス Elicitronのプロセス Elicitronのプロセスと比較する
15. プロセスをLangGraphのフローに落とし込んでいく
17. 第10章 要件定義書生成AIエージェントの開発 1. LLMアプリケーション開発の基礎 2. OpenAIのチャットAPIの基礎 3. プロンプトエンジニアリング 4. LangChainの基礎 5. LangChain Expression Language（LCEL）徹底解説 6. Advanced RAG 7. LangSmithを使ったRAGアプリケーションの評価 8. AIエージェントとは 9. LangGraphで作るAIエージェント実践入門 10. 要件定義書生成AIエージェントの開発 11. エージェントデザインパターン 12. LangChain/LangGraphで実装するエージェントデザインパターン
18. LangChainJPでは様々なエージェント作例をキュレーションしています https://x.com/LangChainJP ぜひフォローをお願いします！
19. ご清聴ありがとうございました