メインコンテンツへスキップ

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


    あなたへのおすすめ