AI の全ニュース

AIエージェント向けのコンテキストエンジニアリング（エージェントメモリ）は、検索から始まります

エージェントは、不器用な検索、過剰な結果、古くなったデータによって、時間とコンテキストを無駄にしています。LangChainのDeep Agentsが活用する検索手法を学び、適切なコンテキストを取得しましょう。

ディープエージェントによるコンテキストエンジニアリング：すべてをコンテキストに保持せずに記憶する方法

長時間稼働するエージェントは、コンテキストが蓄積されるにつれて性能が低下します。オフロード、要約、スキル、サブエージェント、メモリといった手法が、エージェントのコンテキストウィンドウを効果的に管理し、焦点を絞る方法を学びましょう。

DraMaze：多様なマイクロドラマ脚本生成のための、未来を意識したメモリを備えたマルチエージェントパイプライン

arXiv:2610.32002v1 公開タイプ：新規 要旨：マイクロドラマの急激な普及により、高品質な脚本制作への需要が高まっています。大規模言語モデルを用いた長編マイクロドラマの脚本生成には、多様なプロット展開と長期にわたる物語の一貫性の両方が求められます。我々の観察から、生成が進むにつれて候補となる続きはますます少数の物語手法に偏っていく一方で、従来の検索手法ではトロープの再利用が助長され、将来のプロットにとって不可欠な歴史的情報が見落とされる傾向があることが明らかになりました。これらの課題に対処するため、我々はDraMazeを提案します。これは、トロープ記憶に基づく進化的木探索と変異を通じて多様な因果経路を探索するマルチエージェント型パイプラインです。さらに、過去の記憶を整理・保持・参照するために、後方依存関係物語木を構築します。

arXivの新論文では、証拠の検証と重み付けの更新を不要とするプロンプトの修正をサポートする、追跡可能な多モーダル感情推論のエージェントフレームワークが提案されています。

2026年10月26日、arXivはプレプリント論文（番号2610.31685v1）を公開し、凍結型の大規模モデルに基づく追跡可能な多モーダル感情推論エージェントのアーキテクチャを提案した。このアーキテクチャは、モーダル専用の知覚エージェント、統合エージェント、MLLM批判者、および証拠検証段階を通じて、誤りの帰属とプロンプト空間の自己適応型最適化を実現し、MER2025データセットにおいて、複数のオープンソースの多モーダル大規模モデル（2B～38Bパラメータ）の感情認識Fスコアを0.6～2.2ポイント向上させた。

注目する理由：本研究は、現在の多モーダル感情推論システムにおいて、指令の微調整コストの高さとエージェントのパイプラインがデバッグ不可能であるという矛盾に着目し、証拠の引用、確実性の検証、失敗の帰因、ターゲット指向のプロンプト修正を統合した、全工程にわたる説明可能なフレームワークを初めて提案する。すべての改良はモデルの重みを変更せず、4つの異なる規模のオープンソースMLLM上で実証的に有効であり、方法論的な革新性と工学的な実用性を備えている。

Permission to Retry: A Study of Authorization and Recovery in AI Agent Workflows

arXiv:2610.31916v1 Announce Type: new Abstract: A durable agent can resume a consequential action while its authority changes and the action's external outcome remains uncertain. We study execution-time reliability of tool-using AI agents, isolating recovery decisions from language-model behavior. Checkpoint state, permission to dispatch, evidence of an external effect and permission to reconcile are distinct obligations. We present a finite conformance study that checks these obligations through histories scored against a provider effect ledger hidden from the recovering application. A prospectively frozen campaign executes 336 histories on native LangGraph and Temporal hosts, crossing 14 schedules, three provider contracts and four matched application policies. All 168 paired host cells

Understanding Communication Failures in Multi-Agent LLM Systems

arXiv:2610.32060v1 Announce Type: new Abstract: Multi-agent LLM systems aim to improve reasoning through debate, evidence sharing, and mutual correction, but interaction can also introduce failures that final accuracy alone cannot explain. Agents may converge too early, ignore dissent, suppress correct minority answers, or preserve a wrong framing across rounds. We present a corpus-grounded taxonomy of communication failures, built from 3,211 failed multi-round trajectories across medical QA, coding, finance, multi-hop reasoning, ethics, and embodied text tasks. Using this taxonomy, we analyze failure distributions across datasets and system designs, round-level error dynamics, recovery hardness, majority transitions, minority-signal suppression, and self-reported confidence. We find that

LangChainが「企業向けエージェントフレームワーク」の5つの主要コンポーネントを発表

LangChainは2026年10月25日にブログを公開し、マーケティング、セールス、エンジニアリングの各チーム内でAIエージェント（GTM Agent、OpenSWE、Content Studio）を導入する際に蓄積された、以下の5つの一般的なアーキテクチャ原則を体系的に説明しました。すなわち、ネイティブな統合ワーク環境（Slack）、動的なアイデンティティモデル（OBO＋固定資格情報）、二層メモリ機構（グローバル／ユーザー単位）、サンドボックス化されたコード実行、そして高い割合でのスケジュール実行（手動トリガーではない）です。すべてのエージェントはManaged Deep Agentsプラットフォームに基づいて構築されています。

注目する理由：この情報はLangChainの公式ブログから引用したもので、公開日時（2026-10-25T18:06:32.000Z）は現在のシステム時刻（2026-10-25T23:01:18.857Z）より前であり、内容はすでに実装された社内用インテリジェントエージェントの実践事例に焦点を当てています。詳細も具体的で（Slackのスレッド分離、GitHubアカウントの所有権帰属ロジック、NotionやTwitterの権限階層など）、未検証の予測や外部からの主張は含まれておらず、時宜性と事実性の要件を満たしています。

マイクロソフトがAgenshをオープンソース化：1024個の自律協調型AIコーディングエージェントをサポートする分散型フレームワーク

マイクロソフト研究院は2026年10月25日、中央調整者を必要としないマルチエージェント実行時フレームワークであるAgenshをオープンソース化しました。Agenshは、ProgramBench上で1～1024のLLMベースのコーディングエージェントが自己組織的に協調して動作することを支援します。システムはGitea、Mattermost、DeLMスタイルの共有ボードに基づいて分散型の調整を実現しており、すべてのエージェントが同一のプロンプト駆動型五段階ループを実行します。また、Linux＋Docker環境下でスケーラビリティが検証されています。

注目する理由：この成果は、マルチエージェントシステムアーキテクチャの重要な進化を示しており、従来の「マスターエージェント」型パラダイムを廃し、プロンプトエンジニアリングと軽量なサービスの組み合わせによって大規模な自己組織化を実現しています。ProgramBenchにおける実証データ（たとえば、128個のエージェントによる5つのタスクの均等分配において49％の性能向上）は、分散型AIの設計・実装に新たなベンチマークを提供しています。また、MITライセンスでオープンソース化されており、Copilot CLIなどの主流な単一エージェントツールとも互換性があるため、実際の開発における参考価値も備えています。

バイエル・クロップサイエンスは、Amazon Bedrock AgentCoreを基に、マルチエージェント型意思決定エンジンADEを構築しました。

バイエル・クロップサイエンスは、育種専門家、アナリスト、研究者向けの自然言語対応マルチエージェントプラットフォームであるAgentic Decision Engine（ADE）をAmazon Bedrock AgentCore上に構築し、これを既存のConnected Decision Engine（CDE）の強化層として位置付け、代替とはしていません。同システムは本番環境で稼働しており、100名を超えるR&Dユーザーにサービスを提供しています。22の分野特化型エージェントと約20のAPIツールにより、問題の約80％をセルフサービスで解決しています。

ディープインサイト：AWSのオープンソース多エージェントシステムは、5つの本番レベルの課題をどのように解決するのか

AWSソリューションアーキテクチャチームが提供するオープンソースのマルチエージェントシステム「Deep Insight」は、CSVデータの自動分析および自然言語によるレポート生成といったユースケースを対象とし、本番環境でよく見られる5つの主要な課題――エージェントのオーケストレーション、役割に応じたモデル選択、安定した運用、安全なコード実行、そして可観測性――に体系的に対応します。また、LGエレクトロニクスやre:Invent 2025 TechReconなど、実際の活用シーンにおいても実証済みです。

AWSが適応型エージェントフレームワークAAIFを発表：Strands Agentsを基に、エッジとクラウドの協調による階層型AIタスクスケジューリングを実現

AWSはAdaptive Agentic Intelligence Framework（AAIF）を提案し、Strands Agentsを用いて階層型エージェントアーキテクチャを構築しています。ローカルの小型言語モデル（SLM）によりタスクを動的にルーティングし、通常のIoTテレメトリや視覚分析はエッジで実行、複雑な推論はAmazon Bedrockのクラウド大規模モデルに委ねます。このフレームワークはハイブリッド展開をサポートし、コストを抑制できるほか、責任あるAIに関する制御勧告も統合されていますが、現時点では概念実証の段階であり、第三者による検証や商用導入に向けたデータは公表されていません。

Investing in multi-agent AI safety research

Google DeepMind and partners announce a $10M funding call for multi-agent safety research.

Co-Scientist: A multi-agent AI partner to accelerate research

Introducing Co-Scientist, a collaborative AI partner built with Gemini to help researchers accelerate scientific breakthroughs.