Agent Orchestration

AIエージェントの構築と協調に関する包括的なパターン。単一エージェントの推論ループから複数エージェントシステム、フレームワーク選択まで対応します。各カテゴリは rules/ の個別ルールファイルにあり、オンデマンドで読み込まれます。

クイックリファレンス

カテゴリ	ルール数	影響度	使用場面
Agent Loops	2	高	ReAct推論、計画実行、自己修正
Multi-Agent Coordination	3	重大	スーパーバイザールーティング、エージェント議論、結果統合
Alternative Frameworks	3	高	CrewAIクルー、AutoGenチーム、フレームワーク比較
Multi-Scenario	2	中	並列シナリオオーケストレーション、難易度ルーティング

合計: 4カテゴリ across 10ルール

クイックスタート

# ReAct agent loop
async def react_loop(question: str, tools: dict, max_steps: int = 10) -> str:
    history = REACT_PROMPT.format(tools=list(tools.keys()), question=question)
    for step in range(max_steps):
        response = await llm.chat([{"role": "user", "content": history}])
        if "Final Answer:" in response.content:
            return response.content.split("Final Answer:")[-1].strip()
        if "Action:" in response.content:
            action = parse_action(response.content)
            result = await tools[action.name](*action.args)
            history += f"\nObservation: {result}\n"
    return "Max steps reached without answer"

# Supervisor with fan-out/fan-in
async def multi_agent_analysis(content: str) -> dict:
    agents = [("security", security_agent), ("perf", perf_agent)]
    tasks = [agent(content) for _, agent in agents]
    results = await asyncio.gather(*tasks, return_exceptions=True)
    return await synthesize_findings(results)

Agent Loops

自律的なLLM推論のパターン: ReAct（推論+行動）、再計画を伴う計画実行、自己修正ループ、およびスライディングウィンドウメモリ管理。

主要な決定: 最大ステップ 5～15、温度 0.3～0.7、メモリウィンドウ 10～20メッセージ。

Multi-Agent Coordination

ファンアウト/ファンイン並列化、依存関係順序付きスーパーバイザールーティング、競合解決（信頼度ベースまたはLLM仲裁）、結果統合、およびCC Agent Teams（CC 2.1.33+のピアメッセージング用メッシュトポロジー）。

主要な決定: 3～8スペシャリスト、独立したエージェントは並列化、シンプルな作業には Task tool（スター）、横断的関心事には Agent Teams（メッシュ）。

Alternative Frameworks

CrewAI階層型クルーと Flows（1.8+）、OpenAI Agents SDK ハンドオフとガードレール（0.12+）、Microsoft Agent Framework（AutoGen + SK統合）、長期コーディング向け GPT-5.2-Codex、オープンソース柔軟性向け AG2。

主要な決定: フレームワークをチーム専門知識と使用例に合わせる。LangGraph は状態機械向け、CrewAI はロールベースチーム向け、OpenAI SDK はハンドオフワークフロー向け、MS Agent はエンタープライズコンプライアンス向け。

Multi-Scenario

単一スキルを3つの並列シナリオ（簡易/中程度/複雑）にオーケストレーション。段階的難易度スケーリング（1x/3x/8x）、マイルストーン同期、シナリオ間結果集約。

主要な決定: チェックポイント付きフリーラン、常に3シナリオ、1x/3x/8xの指数スケーリング、30秒/90秒/300秒のタイムバジェット。

主要な決定

決定項目	推奨事項
単一 vs 複数エージェント	焦点的なタスクは単一、分解可能な作業は複数
最大ループステップ	5～15（無限ループ防止）
エージェント数	ワークフロー当たり 3～8スペシャリスト
フレームワーク	チーム専門知識と使用例に合わせる
トポロジー	シンプルな作業は Task tool（スター）、複雑な作業は Agent Teams（メッシュ）
シナリオ数	常に3つ: 簡易、中程度、複雑

よくある間違い

• エージェントループのステップ制限なし（無限ループ）
• メモリ管理なし（コンテキストオーバーフロー）
• マルチエージェント内でのエラー分離なし（1つの失敗が全体をクラッシュ）
• 統合ステップの欠落（生のエージェント出力は有用でない）
• 1つのプロジェクト内でフレームワークを混在（複雑性の爆発）
• シンプルな順序実行に Agent Teams を使用（Task tool を使用）
• シナリオを順序実行（目的を損なう）

関連スキル

• ork:langgraph - LangGraph ワークフローパターン（スーパーバイザー、ルーティング、状態）
• function-calling - ツール定義と実行
• ork:task-dependency-patterns - Agent Teams ワークフロー付きタスク管理

機能詳細

react-loop

キーワード: react, reason, act, observe, loop, agent 解決:

• ReAct パターン実装
• 推論ループ作成
• 反復型エージェント構築

plan-execute

キーワード: plan, execute, replan, multi-step, autonomous 解決:

• 計画作成後ステップ実行
• 失敗時の再計画実装
• 目標指向型エージェント構築

supervisor-coordination

キーワード: supervisor, route, coordinate, fan-out, fan-in, parallel 解決:

• 専門化されたエージェントへのタスクルーティング
• エージェントの並列実行
• マルチエージェント結果の集約

agent-debate

キーワード: debate, conflict, resolution, arbitration, consensus 解決:

• エージェント意見の相違を解決
• LLM仲裁実装
• 競合出力の処理

result-synthesis

キーワード: synthesize, combine, aggregate, merge, summary 解決:

• 複数エージェント出力の統合
• エグゼクティブサマリー作成
• 検出結果間の信頼度スコアリング

crewai-patterns

キーワード: crewai, crew, hierarchical, delegation, role-based, flows 解決:

• ロールベースエージェントチーム構築
• 階層型協調実装
• イベント駆動オーケストレーション向け Flows 使用

autogen-patterns

キーワード: autogen, microsoft, agent framework, teams, enterprise, a2a 解決:

• エンタープライズエージェントシステム構築
• AutoGen/SK統合フレームワーク使用
• A2Aプロトコル実装

framework-selection

キーワード: choose, compare, framework, decision, which, crewai, autogen, openai 解決:

• 適切なフレームワーク選択
• フレームワーク機能比較
• フレームワークを要件に合わせる

scenario-orchestrator

キーワード: scenario, parallel, fan-out, difficulty, progressive, demo 解決:

• スキルを複数難易度レベルで実行
• 並列シナリオ実行実装
• シナリオ間結果集約

scenario-routing

キーワード: route, synchronize, milestone, checkpoint, scaling 解決:

• 難易度レベル別タスクルーティング
• マイルストーンでの同期
• 入力の段階的スケーリング