メインコンテンツへスキップ

9.1.1 Agent 基礎ロードマップ：Goal、State、Action

Agent はモデル名ではありません。Goal に向かって、model、tools、state、memory、feedback をまとめる system pattern です。

まず single-Agent loop を見る​

Agent 基礎位置づけブリッジ図

Agent 基礎章の学習順序図

Single-Agent 実行ループ図

普通の chatbot は 1 回答えます。workflow は固定手順を進みます。Agent は plan、act、observe、state update を行い、goal が終わっていなければ続けます。

小さな Agent state loop を動かす​

このスクリプトはまだモデルを呼びません。Agent を debug できるようにする最小 state を示します。

goal = "summarize RAG citation rules"
state = {"steps": [], "done": False}

for action in ["plan", "search_docs", "summarize"]:
    state["steps"].append(action)

state["done"] = True

print("goal:", goal)
print("steps:", " -> ".join(state["steps"]))
print("done:", state["done"])

出力：

goal: summarize RAG citation rules
steps: plan -> search_docs -> summarize
done: True

demo が goal、state、action、observation、stop condition を示せないなら、まず LLM app と呼び、Agent とは呼ばないほうが正確です。

この順番で学ぶ​

手順読む内容実践アウトプット
1Agent とは何かchatbot、workflow、RAG app、Agent を比較する
2発展史なぜ LLM が Agent systems を再び注目させたか理解する
3能力レベルanswer、retrieve、tool use、plan、memory、collaboration を同じ ladder に置く
4System architecturegoal、state、planner、tools、memory、observation、executor を描く
5RL から Agent への突破action、reward、feedback、planning をつなげる

合格ライン​

single-Agent loop を描き、multi-Agent collaboration の前に single-Agent stability が必要な理由を説明できれば、この章は合格です。

出口ミニプロジェクトは research assistant Agent trace です：1 つの goal、1 つの plan、少なくとも 1 つの tool decision、1 つの observation、1 つの stop condition、1 つの final answer を残します。