Multi-Agentから業務アプリへ──設計の境界はどこにあるのか? ― Agent・API・Container・Databaseを「別の責務」として分けて考える
はじめに
AIエージェントを学んでいると、
Agentを増やせば、より高度なシステムになるのでは?
と考えたくなります。
実際、複数のAgentへ役割を分けると、責務は整理しやすくなります。
ただし、業務で使えるApplicationへ進むには、Agentを増やすだけでは足りません。
必要になるのは、
Agent同士の責務
UIとAI処理の境界
実行環境の境界
データ保存の境界
を、それぞれ分けて考えることです。
Zennの実装シリーズ第10〜13回では、
Multi-Agent
↓
FastAPI
↓
Docker
↓
PostgreSQLと段階的に構成を変えています。
今回のnoteでは、個々のコードではなく、
どこから先が「Agentの設計」で、どこから先が「Applicationの設計」なのか
を整理します。
1. Multi-Agent──Agentを増やす目的は「責務を分けること」
第10回では、売上分析Agentを、
Manager Agent
├─ Data Quality Agent
├─ Sales Analyst Agent
└─ Business Insight Agentへ分けます。
ここで重要なのは、
Agentの数を増やすこと自体が目的ではない
という点です。
役割を分ける理由は、
データ品質を確認する責務
売上を分析する責務
業務上の示唆を整理する責務
を明確にするためです。
つまりMulti-Agentは、
高度化というより、
責務分離として考えた方が分かりやすいです。
Agentを分けることで、TracingやEvaluationの単位も明確になります。
一方で、分けすぎると、
呼び出し回数が増える
Costが増える
Traceが複雑になる
障害箇所が増える
という別の問題も出ます。
そのため、
責務が分かれるからAgentを分ける
のであって、
Multi-Agentにしたいから分ける
のではありません。
2. FastAPI──「UI」と「AI処理」を分ける
Multi-Agent化しても、同じProcessの中でStreamlitからAgentを直接呼んでいる間は、
UI
+
AI Processingが近い状態です。
小さなPoCなら問題ありません。
しかし業務Applicationでは、
Web UI以外からも呼びたい
バッチから実行したい
別システムから使いたい
UIとAI処理を別々に変更したい
という要求が出てきます。
そこでFastAPIを使い、
Streamlit
↓
HTTP
↓
FastAPI
↓
Manager Agentという境界を作ります。
ここで初めて、
Frontend
≠
AI Processingになります。
FastAPIの役割は、
AIを賢くすることではなく、AI処理をApplicationの部品として切り離すこと
です。
3. Docker──「コード」と「実行環境」を分ける
ローカルでは動く。
でも別のPCでは動かない。
AIアプリでも、よく起こる問題です。
原因は、
Python Version
Library Version
OS差
Environment Variable
起動手順
などです。
そこでDockerを使います。
Source Code
+
Runtime
+
Dependencies
+
Startup CommandをContainer Imageとしてまとめます。
設計上の意味は、
Applicationの実行条件を明示すること
です。
これによって、
自分のPCで動くから、
同じContainerなら同じ条件で動かせるへ変わります。
4. PostgreSQL──「一時的なデータ」と「業務データ」を分ける
学習段階ではSQLiteでも十分です。
しかしApplicationとして使い続けると、
複数ユーザーから同時にアクセスする
APIから継続して利用する
Data Layerを独立させる
Backupや運用を考える
必要が出てきます。
そこでPostgreSQLへ進みます。
ここでのポイントは、
SQLiteが悪いからPostgreSQLへ移るのではない
ということです。
必要になったのは、
Application
↓
Shared Data Layerという境界です。
4つを並べると「業務アプリ」の形が見える
第10〜13回を並べると、
Multi-Agent
=AI内部の責務分離
FastAPI
=UIとAI処理の分離
Docker
=CodeとRuntimeの分離
PostgreSQL
=ApplicationとData Layerの分離となります。
つまり、追加しているのは単なる機能ではありません。
境界です。
AIエージェントが業務Applicationへ近づくほど、
誰が何を担当するか
どこで処理するか
どこで動かすか
どこに保存するかを分ける必要があります。
「Agentの設計」と「Applicationの設計」は違う
ここはかなり重要です。
Agentの設計では、
Instructions
Tools
Structured Output
Specialist Role
Handoff / Manager Pattern
などを考えます。
一方、Applicationの設計では、
API
Runtime
Database
Network
Secret
Monitoring
などを考えます。
つまり、
Agent Design
≠
Application Designです。
どちらか一方だけでも、業務システムにはなりません。
どこまで分ければよいのか
では、最初から全部分けるべきでしょうか。
そうではありません。
小さなPoCなら、
Streamlit
↓
Single Agent
↓
SQLiteでも十分です。
問題は、
必要になる前から複雑にしないこと
です。
たとえば、
利用者が1人しかいない
外部システムから呼ばない
データ量も少ない
なら、FastAPIやPostgreSQLを急いで追加する理由は弱いです。
一方で、
複数システムから使う
複数ユーザーが利用する
Deploymentを自動化したい
障害時に切り分けたい
なら、境界を分ける価値が高くなります。
設計判断の順序
業務Applicationへ育てるときは、次の順番で考えると整理しやすくなります。
責務が分かれた?
↓
Multi-Agentを検討
UIと処理を分けたい?
↓
FastAPIを検討
実行環境を揃えたい?
↓
Dockerを検討
共有Data Layerが必要?
↓
PostgreSQLを検討技術から始めるのではなく、
いま何が困っているか
から逆算します。
次に必要になるもの
ここまでで、
Streamlit
↓
FastAPI
↓
Manager Agent
↓
Specialist Agents
↓
PostgreSQLというApplication構造ができてきます。
次の課題は、
この構成をAWS上にどう再現するか
です。
そこで次回は、
Terraformは、なぜAIエージェントの本番運用に必要なのか?
を扱います。
まとめ
Multi-Agentから業務Applicationへ進むとき、重要なのは機能数ではありません。
Multi-Agent
=責務
FastAPI
=Interface
Docker
=Runtime
PostgreSQL
=Data Layerというように、
境界を分けること
が中心になります。
AIエージェントを業務システムにするとは、
LLMを呼び出すことではなく、LLMをApplicationの中へ安全に配置すること
です。
実装を確認したい方へ
今回の内容は、Zenn「AIエージェント実装実践シリーズ」第10〜13回で実装しています。
AIエージェント実践ロードマップ──SDD・設計・実装・PoC・AWS・AgentCore本番まで
https://zenn.dev/tigerone1945/articles/aais-00-ai-agent-implementation-roadmap-hub
このテーマを1冊で深めるなら
Application全体の設計を、業務課題から仕様へ落とす考え方を整理したい方には、
『AI時代の仕様駆動開発:Kiro・Claude Codeで学ぶ System Specification Design(SDD)』
があります。
https://www.amazon.co.jp/dp/B0HBQ32KCQ
#AIエージェント #MultiAgent #FastAPI #Docker #PostgreSQL
このテーマを含む全体像はこちら
AIエージェントを、業務課題 → 設計 → 実装 → 本番運用の流れで整理したnoteハブはこちらです。
→ note
AIエージェントは、何を設計すべきか?|業務課題・自動化・本番運用の実践ガイド
https://note.com/loyal_hyssop7944/n/n111ba3f53507