この教材の目次を開く
回答はこのページを開いている間だけ保持します。別ページへの移動や再読み込みで消えます。保存されるのは読み方の設定だけです。
「保存済みです。」と表示された回答は、同じブラウザーでこの教材を開き直すと復元できます。
1回答の文章と、外で進む作業を分ける
「候補を出しました」と「手続が済みました」は、どこを見て区別できるでしょうか。
候補が出たら、もう申し込めた？
この話で学ぶこと：候補文、申込み前の状態、希望と違う候補を分け、結果を確かめる問いへつなぐ。道具を使った実行場面の代替ではない。
コマは上から下へ、横に並んだコマは右から左へ読みます。
会話を文章で読む
場面：市民センターの机で、ハルは参加の希望を書いた紙と、スタンドの画面を見比べて質問します。
ハル「この候補が出たら、もう申し込めたの？」場面：ミオが画面上部の「申込み前」を指します。画面の候補は「明日 午前／2名」、希望の紙は「明日・午後・2名」です。
ミオ「上に「申込み前」ってあるよ。」場面：ミオとビットが、照会と申込み、返った結果と目的を分けます。
ミオ「空きの確認と、申込みは別の作業だね。」 ビット「返った結果も、目的に合うか見ていこう。」場面：ハルが午前と午後の違いに気づき、ミオが希望を残して確かめ直そうと話します。
ハル「午後が希望なのに、候補は午前だ。」 ミオ「希望を残して、もう一度確かめよう。」場面：ビットができたことと未完を分け、ミオは紙に申込み前の確認条件を残します。外部申込みの実行は描いていません。
ビット「できたことと、まだのことを分けると追いやすいね。」 ミオ「候補と結果を見てから決めよう。」
市民センターで二人が見た画面には「申込み前」とあり、午後の希望に対して午前の候補が出ていました。申込みが済んだとは受け取らず、希望と確認条件をメモへ残した場面です。ここから、文章の回答、道具の結果、作業の達成を分けます。
答えを作るモデルと、道具につながる仕組み
大規模言語モデル（LLM）は、大量の言語データなどから学び、文章の続きを予測することを基礎に、文章を解析したり作ったりするモデルです。例えば参加先の候補文を作れます。ただし、この例で文章を返すだけの利用なら、「申し込みました」という文が出ても、外の受付へ申込みを送った証拠にはなりません。画面の文章と、外部で起きた処理を分けて確かめます。
ツール（道具）は、空き状況を調べる、表を計算するなど、接続先で決められた処理をする機能です。モデルが道具を使うための要求を出すことを、ツール呼出しといいます。要求を実際の道具へ渡し、返った結果をモデルへ戻す仕組みも必要です。道具を使いたいという文章があることと、その道具が実行されたことは同じではありません。
ここではLLMを使うAIエージェントを、目標に向けた作業を、道具や結果の確認と組み合わせて進めるシステムとして捉えます。案を作るだけでなく、必要な情報を集め、結果を見て次の作業へ進む役割があります。言葉の条件を扱うモデルの能力と、外の情報や機能への接続が進み、こうした作業支援が注目されています。一つのモデル名だけで、任せられる仕事や進め方が全て決まるわけではありません。
根拠：Google for Developers: Machine Learning Glossary（別タブで開く） ↗ / OpenAI Docs: Function calling（別タブで開く） ↗ / Anthropic: Building effective agents（別タブで開く） ↗
検討する力と、渡した情報・許可を分ける
学習済みモデルを使って応答などを求める処理を、推論と呼びます。推論モデルは、利用時の検討へ計算を振り向け、複数の条件や手順を考えるよう設計されたモデルです。例えば参加条件を比べる判断を支えます。これは重みを学習し直すこととは別で、検討に計算を使うことだけから事実の正しさは決まりません。予約する権限や人の確認条件も、モデルを替えただけでは追加も解除もされません。
コンテキストは、その応答のためにモデルへ渡す指示、会話、資料、道具の結果などの情報です。モデルが処理する単位をトークンといい、一度に扱える範囲の上限をコンテキストウィンドウと呼びます。何を数え、どこまで扱えるかは仕様で異なります。長い履歴が無限に使えるわけではありません。短いメモへ整理するときも、目的・対象・例外・承認条件を残し、原文と照合します。量が上限内に収まることと、必要な意味が残ることは別です。
根拠：OpenAI Docs: Reasoning models（別タブで開く） ↗ / OpenAI Docs: Guardrails and human review（別タブで開く） ↗ / Google for Developers: Machine Learning Glossary（別タブで開く） ↗ / Anthropic: Effective context engineering for AI agents（別タブで開く） ↗
作業の状態と返った結果から、達成を確かめる
作業を続けるには、何が目標で、何が済み、何が未確認かという現在の状態を扱います。ここでいう状態は作業の進み具合で、モデルの学習済みの重みではありません。道具の返した結果などを受け取り、今の状況を確かめることを観察といいます。前に出した予定や「できた」という文章だけで済ませず、実際に返った情報を次の判断へ渡します。必要な条件がメモから抜けたら、元の依頼へ戻って補います。
例えば架空の体験会探しで「午後・2名」が目標なのに、空き照会の道具が「処理成功・午前に2席」と返したとします。成功は照会処理の結果であり、午後の参加先が見つかった意味ではありません。対象・時刻・人数を目標と照合し、足りなければ調べ直すか人に確かめます。照会と申込みも別の操作です。「申込みは本人の確認後」という条件なら、候補を得たことだけで申込みへ進みません。
根拠：Anthropic: Building effective agents（別タブで開く） ↗ / Anthropic: Effective context engineering for AI agents（別タブで開く） ↗ / OpenAI Docs: Function calling（別タブで開く） ↗ / OpenAI Docs: Guardrails and human review（別タブで開く） ↗
図を拡大する ↗図の内容を文章で確認する
目標は午後に2名、申込みは本人の確認後です。LLMの要求を接続した仕組みが道具へ渡し、空き照会の結果として「処理成功・午前に2席」が返りました。照会は実行されましたが、午後の条件は未達です。結果を受け、調べ直すか人に確認します。候補文の生成、照会成功、申込み完了は別です。
- 読者ができること
- LLMの要求、道具の実行結果、目標に合うかの判断を分けて指せる。
- 目標と条件
- 午後／2名／申込みは確認後。
- LLMから道具まで
- LLMは次の確認を選ぶ。渡す目標と条件を受け、道具を使うための要求を出す。文章を生成しただけで実行したことにしない。接続した仕組みが空き照会の道具を実行する。
- 道具の結果から照合へ
- 接続先から返った道具の結果は「処理成功・午前に2席」。結果を観察し、目的と照合する。午後の条件は未達である。
- 次の行動と破線
- 次の行動を判断し、調べ直す／人に確認する。申込み完了とはしない。破線は必要な場合の再検討であり、無限反復ではない。
- 状態：作業の進み具合
- 目標：午後に2名。済んだこと：空き照会を実行（処理成功）。未確認：午後の空きの有無。承認条件：申込みは確認後。
- 注記：状態と数値
- 作業の状態であり、学習済みの重みと同一視しない。午後／午前は架空の希望時刻帯、2名／2席は人数と空きの対応。成功率や性能の測定値ではない。候補文の生成、照会成功、申込み完了は別である。
模式図です。図の数値・条件・矢印は下の文章版でも読めます。長い注記は拡大の見る位置で意味ごとに分けています。
根拠：OpenAI Docs: Function calling（別タブで開く） ↗ / Anthropic: Building effective agents（別タブで開く） ↗ / OpenAI Docs: Guardrails and human review（別タブで開く） ↗
別の場面で確かめる
全て独自作成の問題です。公式問題や試験全体の難易度を再現したものではありません。
2どの手順を決め、どこを任せるか
結果を見て調べ方を変えることと、確認をせず進めることは同じでしょうか。
次に調べる先は、誰が選ぶ？
この話で学ぶこと：休館という観察から次の調査を選ぶ役割と、申込み前に人が確認する位置を同時に捉える。
コマは上から下へ、横に並んだコマは右から左へ読みます。
会話を文章で読む
場面：駅前のベンチでミオが、次に調べる先も目的と条件を見てモデルに選ばせる架空の設定を先に説明します。その後、ハルが休館表示を読みます。
ミオ「次に調べる先も、目的と条件を見てモデルに選ばせる設定にしたよ。」 ハル「この展示館、今日は休館だった。」場面：ミオは画面に「次は近くの屋内候補を調べます」とあることを読み、いまの結果から調べる先を選び直していると話します。長い吹出しの尾はミオの口へ戻ります。
ミオ「いまの結果で、調べる先を選び直してるね。」場面：ハルとビットは、事前に決めた順番と、次の調査をモデルが選ぶ役割を分けます。ビットは先ほど共有された設定を踏まえて話しています。
ハル「最初に決めた順番を、なぞるだけじゃないんだ。」 ビット「何を次にするかを選ぶ役割まで、任せているんだね。」場面：ミオが候補2件と「申込みは確認後」の画面を見せ、人の確認が残ると話します。
ミオ「でも、申込みは私たちが見てから。」場面：ハルが、止まって確かめる所と、次の調べ方を任せることが一緒に成り立つと整理します。
ハル「止まって確かめる所があっても、次の調べ方は任せられるんだね。」場面：ミオが候補を指し、行き先を見比べようと話します。申込み・予約の完了は描いていません。
ミオ「候補を見比べて、行き先を決めよう。」
駅前で休館表示を見た二人は、散歩案内が別の屋内候補を調べようとする画面を読みました。一方、申込みは確認後という条件は残っています。次に何を調べるかを選ぶ役割と、人が確かめる位置を分けた場面です。
決まった分岐と、結果から選び直す計画
ワークフローは作業の流れです。ここで比べるワークフロー型エージェントでは、工程の順序や分岐を人があらかじめ定めます。例えば「集計表を読む→数値欄が空なら質問、そろえば合計を計算して説明文を作る」という流れです。途中でLLMに説明文を作らせたり、条件分岐を入れたりしても、その事実だけで、工程自体を状況に合わせて選び直す構成になったとはいえません。
計画は、目標を達成するために、何をどの順にするかを具体化することです。自律型エージェントは、状況や実行結果に応じて、次の工程や使う道具をモデルが選ぶ構成として比べます。例えば、候補の施設が休館だと分かったら、残り時間と希望を見直し、近くの別候補を調べる手順を選びます。計画を書いた後は結果を見ない、という意味ではありません。
自律性は、任せる役割ごとに比べる
自律性の度合いは、「ある・ない」だけで決めず、どの次手を選べるか、どの道具や操作を使えるか、どこで人へ戻すかを確かめます。候補を探す順番だけ任せる構成も、実行まで一部任せる構成もあります。人が途中で確かめる構成にも、状況に応じてモデルが選ぶ部分はあります。道具の呼出し回数や「自律」という名前だけで、一律の高さを付けません。
例えば同じ案内作成でも、Aは担当者が次に読む資料を毎回選び、Bは調べた結果からモデルが次の資料を選ぶとします。両方とも案の公開は担当者の承認後です。この条件なら、次に調べる作業を選ぶ範囲はBの方が広いと比べられます。Bだけが人の承認なしに公開できる、という比較ではありません。何を任せたかと、実行を認めた範囲を一緒に読みます。
根拠：Anthropic: Building effective agents（別タブで開く） ↗ / OpenAI Docs: Guardrails and human review（別タブで開く） ↗
人が入る位置と、完了・停止の条件を決める
Human-in-the-Loop（ヒューマン・イン・ザ・ループ）は、作業の途中へ人の確認・修正・承認などを組み込む考え方です。例えば申込み案の対象・日時を人が見てから送信へ進む、という位置を決めます。毎回全てを人が行うことや、最後に結果を眺めることだけを意味しません。あらかじめ許された調査は進めても、確認が必要な送信・予約・購入まで許可済みとは扱いません。
実行結果を観察したら、目標と許可条件に照らして、続ける、計画を直す、人へ確かめる、止める、を選びます。申込み先や日時が違う、結果が不明、許可範囲を超えそう、と分かったら、成功したつもりで進めません。繰り返しが続き過ぎる場合の打切り条件も決められます。固定手順でも自律的な選択が多い構成でも、目的どおりに終わったかを確かめる必要は残ります。
根拠：Anthropic: Building effective agents（別タブで開く） ↗ / OpenAI Docs: Guardrails and human review（別タブで開く） ↗ / OpenAI Docs: Function calling（別タブで開く） ↗
図を拡大する ↗図の内容を文章で確認する
ワークフロー型の例では、集計表を読み、数値欄が空なら定めた質問を返し、そろえば合計を計算してLLMが説明文の案を作ります。分岐も事前設定です。自律的な選択を任せる例では、目的と条件を受け、次の調査を選び、許可された道具の結果を観察して、足りない点に応じて計画を直します。どちらも送信や申込みは人の確認後です。人の確認と次手の選択は併存できます。
- あらかじめ定めた工程・分岐
- LLMや分岐があっても、工程の選び方が事前設定ならワークフロー型として比べる。集計表を読む → 数値欄がそろったかを確認する。
- そろう場合
- 合計を計算 → LLMで説明文の案を作る → 人の確認帯へ。
- 空欄の場合
- 定めた質問（必要な欄の確認） → 回答待ち（ここで停止）。空欄のまま計算／説明文作成へは進まない。
- 回答が来た場合
- 必須欄の確認へ戻り、同じ条件で分岐する。あらかじめ決めた分岐であり、LLMが新工程を自由選択する矢印とは区別する。
- 結果から次手を選ぶ
- 目的・条件を受ける → LLMが次の調査を選ぶ → 許可された道具を実行 → 結果を観察して足りない点を確認する。
- 観察後の分岐と戻り
- 目的に合う案を示す。不明な点を人に確認する。足りない場合は次の調査の選択へ戻る。目的に合えば案を示し、不明なら人へ戻す。
- この2例の人の確認
- 送信・申込みは、人の確認後（ここに示す2例の条件）。両方の例で「送信・申込み」は人の確認後とする。操作そのもの（送信・申込み）は図の外。これは全製品・全場面の共通条件という意味ではありません。
- 主な条件
- 事前設定か次手を選ぶか、人の確認位置、許可条件の維持を示す。人の確認があるから自律性がない、次手を選べるから確認不要、とはしない。
- 矢印の読み方
- 各段の線は情報・作業の順を示す。上段は事前設定の分岐、下段の戻りは観察に応じる次手の選択。二つの段を年代順・性能順位で結ぶ線ではない。定性的な構成比較で、レベル番号・点数・自律性百分率・所要時間比較はない。
模式図です。図の数値・条件・矢印は下の文章版でも読めます。長い注記は拡大の見る位置で意味ごとに分けています。
根拠：Anthropic: Building effective agents（別タブで開く） ↗ / OpenAI Docs: Guardrails and human review（別タブで開く） ↗
別の場面で確かめる
全て独自作成の問題です。公式問題や試験全体の難易度を再現したものではありません。