複数のAIエージェントを連携させて開発タスクを処理する構成を試し、エージェント同士の会話が終わらない、トークン消費が読めない、最終的に誰が「完了」と判断したのか分からないといった状態に悩んだことはないでしょうか。
本記事では、複数のAIエージェントが直接会話せず、共有メモリ経由でやり取りする設計パターン「Vegapunkパターン」を取り上げます。マルチエージェント構成(複数のAIエージェントが役割分担してタスクを処理する仕組み)を自社のワークフローに組み込むかどうかを判断する材料として整理しました。
エージェント同士が会話する構成の限界
現在よく使われるマルチエージェント構成は、エージェントAがエージェントBにメッセージを送り、Bが返答し、必要ならCも参加するという「会話型」です。人間のチームの働き方に似ているため、一見自然に見えます。
しかし実運用では、いくつかの問題が繰り返し発生します。2つのエージェントが延々と同意・反論を続けるループ、各エージェントが会話の断片しか見えないことによる文脈の喪失、接続数に比例して膨らむトークン消費、そして結果が誤っていたときにどの時点で推論が狂ったか追跡できない、という点です。
さらに根本的な問題として、全員が自由に発言できる構成では「誰が最終的に完了を宣言するのか」という権限が曖昧になります。6体のエージェントが自由に会話すると、理論上は15通りの通信経路が生まれます。経路が増えるほど、どこで何が起きたかを追うコストも増えていきます。
共有ブラックボードという発想
Vegapunkパターンは、エージェント同士を直接会話させず、共有メモリ(記事内では「Punk Records」と呼ばれる構造)を介して情報をやり取りする設計です。これは「ブラックボードアーキテクチャ」と呼ばれる手法で、1970〜80年代のAI研究にルーツがあります。
ブラックボードアーキテクチャとは、複数の専門エージェントが黒板(共有領域)に書き込み、別のエージェントがそれを読んで次の処理を行う仕組みです。会話のキャッチボールではなく、掲示板への投稿と閲覧に近いイメージです。
この発想自体は目新しいものではありません。新しいのは、LLM(大規模言語モデル)エージェントにこの仕組みを適用した点です。自由な会話のコストがトークン量・ループ発生・誤った合意という形で可視化される時代だからこそ、改めて有効になっています。
共有メモリ経由にすることで得られるメリットは明確です。
- 情報の一元化: 発見事項・アイデア・批判・判断結果がすべて時系列で1箇所に残る
- 通信経路の削減: 6体構成なら15経路ではなく6経路(各エージェントと共有メモリの接続のみ)で済む
- 監査証跡: 誰が何を書き込み、なぜその判断に至ったかを後から再生できる
- 文脈の制御: 各エージェントは全履歴ではなく必要なエントリだけを受け取る
役割分担の設計と既存ツールとの関係
Vegapunkパターンの構成では、オーケストレーター(進行役)である人間と、6体の専門エージェントが登場します。それぞれ意図的に異なる認知バイアスを持たせている点が特徴です。
論理チェック担当・批判担当(レッドチーム的に欠陥を探す役)・アイデア出し担当・リサーチ担当・実行担当・運用雑務担当という具合に、役割と「視点の偏り」をセットで設計します。バランスの取れた汎用アシスタントを6体並べるのではなく、あえて方向性の異なる専門家を置き、その緊張関係から決定を引き出す狙いです。
この設計思想は、CrewAI(役割ベースでAIエージェントを連携させるオープンソースフレームワーク)のようなマルチエージェントフレームワークとも関係があります。CrewAIはエージェント間の委任(delegation)機能を標準で持っていますが、Vegapunkパターンの実装ではこの委任機能をあえて無効化しています。つまり、フレームワークが会話を許していても、設計レベルで会話を禁止するという選択です。
これはMCP(Model Context Protocol、AIとツール・データソースを接続する標準プロトコル)を使った連携構成を検討する際にも参考になる視点です。MCPサーバー経由で複数のツールやエージェントを繋ぐ場合も、情報の受け渡しを「会話」にするか「共有状態への読み書き」にするかで、トークンコストと監査性が大きく変わります。
自分のプロジェクトで確認すべきこと
実際にマルチエージェント構成を検討・運用しているなら、以下の観点で現状を点検してみる価値があります。
- 通信経路の数: エージェントが何体いて、何通りの会話経路が存在するか数えてみる(n体ならn(n-1)/2経路)
- ループの発生履歴: 直近のログで「同じやり取りが3往復以上続いた」ケースがないか確認する
- トークン消費の内訳: 会話履歴の引き回しがコストの何割を占めているか、ログ基盤(LangSmithやOpenTelemetry系のトレーシングツールなど)で可視化できているか
- 最終判断者の明確さ: タスク完了を宣言する権限が誰(どのエージェント、あるいは人間)にあるか設計書に明記されているか
- 共有状態への切り替え可否: 使用中のフレームワーク(CrewAI、LangGraph、AutoGenなど)が、エージェント間の直接通信をオフにして共有メモリ経由の設計に変更できる設定を持っているか
特に最後の点は、フレームワークのドキュメントで「delegation」「handoff」「shared state」「memory」といったキーワードを検索すると該当箇所が見つかりやすくなります。LangGraph(グラフ構造でエージェントの処理フローを定義するフレームワーク)であれば、ノード間のエッジを直接接続ではなく共有ステートオブジェクト経由にする設計が可能です。
まとめ
エージェント同士を自由に会話させる構成は、人間のチームワークに似ているため直感的に見えますが、ループ・文脈喪失・コスト増大・権限の曖昧さという副作用を抱えやすい設計です。
Vegapunkパターンが示すのは、1970年代のブラックボードアーキテクチャという古典的な発想を、LLMエージェントの文脈で再評価する視点です。共有メモリへの読み書きに統一するだけで、通信経路は劇的に減り、監査証跡も自然に残ります。
まず自分のプロジェクトで使っているエージェント数と通信経路数を数え、直近のログでループや文脈喪失が起きていないか確認してみてください。そのうえで、使用フレームワークのdelegation設定やshared state機能を見直すところから始めるのが現実的な一歩になります。