> ## Documentation Index
> Fetch the complete documentation index at: https://docs.shannon.run/llms.txt
> Use this file to discover all available pages before exploring further.
# AI Agentとは？
> ShannonにおけるAI Agentの理解
## はじめに
**AI Agent**は、環境を認識し、意思決定を行い、目標を達成するためのアクションを実行できる自律システムです。Shannonでは、AgentはLarge Language Models (LLM)とツールを使用してタスクを処理する基本的な実行単位です。
## Agentの機能
Shannon Agentができること：
LLMを使用してタスクを分析し、ソリューションを計画し、意思決定を行う
関数の呼び出し、コードの実行、Web検索、APIとの対話
他のAgentと協力して複雑なマルチステップ問題を解決
パターン学習とキャッシュされた結果を通じて時間とともに改善
## Agentのライフサイクル
Agentがタスクを処理する方法：
Agentはタスクを受け取り、何をする必要があるかを分析
LLMが計画を作成し、必要に応じてステップに分解
Agentは必要なツールを特定
ツールを反復的に実行し、結果を処理
結果を最終的な回答に統合
## ShannonにおけるAgentタイプ
### シングルAgent（シンプルモード）
単一のAgentが分解なしでタスク全体を処理します。
**最適な用途:**
* シンプルなクエリ
* 事実の取得
* 基本的な計算
* 迅速な応答
**例:**
```python theme={null}
client.submit_task(
query="フランスの首都はどこですか？"
)
```
Shannonはシンプルなクエリに対して自動的にシングルAgentモードを選択します。
### マルチAgent（標準/複雑モード）
複数の専門Agentが協力し、ShannonのOrchestratorによって調整されます。
**最適な用途:**
* 複雑なリサーチ
* マルチステップWorkflow
* 異なる専門知識を必要とするタスク
* 並列処理が必要なタスク
**例:**
```python theme={null}
client.submit_task(
query="AIトレンドのトップ5を調査し、市場への影響を分析し、要約を作成してください"
)
```
Shannonはクエリの複雑さに基づいて、複雑なクエリを自動的にマルチAgentワークフローに分解します。
## Agentコンポーネント
### 1. LLM Brain
言語モデルによって駆動される意思決定コア：
* **モデル選択**: Shannonはタスクの複雑さに基づいてモデルを自動選択
* 小規模タスク → `gpt-5-mini`、`claude-haiku`
* 複雑なタスク → `gpt-5`、`claude-opus`
* **コンテキスト管理**: コンテキストウィンドウを自動管理
* **キャッシング**: 該当する場合、以前のLLMレスポンスを再利用
### 2. ツールシステム
Agentは様々なツールを実行できます：
**組み込みツール:**
* Pythonコード実行（WASIサンドボックス）
* Web検索（Google/Serper/Bing/Exa/Firecrawl）
* ドキュメント取得
* 数学的計算
**MCPツール:**
Shannonは外部ツール統合のための[Model Context Protocol](https://modelcontextprotocol.io)をサポートしています。
**カスタムツール:**
OpenAPI仕様またはPython実装を介して独自のツールを追加できます。
### 3. メモリシステム
Agentは2種類のメモリを維持します：
**セッションメモリ:**
* 会話内の短期コンテキスト
* 設定可能なTTL（デフォルト30日）でRedisに保存
* マルチターン対話を可能にする
**ベクトルメモリ:**
* Qdrantの長期セマンティックメモリ
* セッション間の取得
* 関連コンテキストのためのMMR多様性
## プラットフォーム設定
Shannonの動作は環境変数で設定されます。一般的な例：
```bash theme={null}
# .env内（例）
DEFAULT_MODEL_TIER=small # small | medium | large
MAX_TOKENS_PER_REQUEST=10000 # リクエストごとのトークン予算（LLMサービス）
MAX_COST_PER_REQUEST=0.50 # リクエストごとのコスト制限（USD、LLMサービス）
AGENT_TIMEOUT_SECONDS=600 # Agent実行タイムアウト（Orchestrator）
# 変更を適用
docker compose restart
```
### モデルティア
Shannonは設定されたティアに基づいてモデルを自動選択します：
| ティア | モデル | ユースケース | コスト |
| ---------- | ------------------------ | ------------- | ------ |
| **SMALL** | gpt-5-nano、claude-haiku | シンプルなクエリ、大量処理 | \$ |
| **MEDIUM** | gpt-5-mini、claude-sonnet | 汎用目的 | \$\$ |
| **LARGE** | gpt-5.1、claude-opus | 複雑な推論、重要なタスク | \$\$\$ |
Shannonのインテリジェントルーターは各タスクに最もコスト効率の良いモデルを選択し、常にプレミアムモデルを使用する場合と比較して60～90%の節約を実現します（ワークロード依存）。
[Configuration Guide](/ja/quickstart/configuration)で利用可能なすべての環境変数を参照してください。
## Agent調整パターン
ShannonはマルチAgent調整のために実証済みの認知パターンを使用します：
### Chain-of-Thought (CoT)
各ステップが前のステップに基づいて構築される順次推論：
```
タスク: "複利を計算"
ステップ1: 公式を特定
ステップ2: 入力を収集
ステップ3: 結果を計算
ステップ4: 出力をフォーマット
```
### Tree-of-Thoughts (ToT)
複雑な問題解決のためのバックトラッキングを伴う探索：
```
タスク: "システムアーキテクチャを設計"
ブランチ1: マイクロサービスアプローチ
├─ 長所/短所を評価
└─ 複雑さを見積もり
ブランチ2: モノリシックアプローチ
├─ 長所/短所を評価
└─ 複雑さを見積もり
選択: 基準に基づいて最良のオプション
```
### ReAct（推論 + 行動）
動的タスクのための推論と行動の交互実行：
```
Think: "最新の株価を見つける必要がある"
Act: "AAPL stock price"をWeb検索
Observe: "$150.25"
Think: "10%の利益を計算"
Act: 150.25 * 1.10を計算
Result: "$165.28"
```
## セキュリティと分離
Shannon Agentはセキュアな環境で実行されます：
すべてのコード実行はWebAssembly System Interfaceサンドボックス内で行われ、以下を備えています：
* **ネットワークアクセスなし**
* **読み取り専用ファイルシステム**
* **メモリ制限**
* **実行タイムアウト**
### OPAポリシー適用
Agentができることを制御：
```rego theme={null}
# 例ポリシー: チームごとにモデルを制限
package shannon.teams.datascience
allow {
input.team == "data-science"
input.model in ["gpt-5", "claude-sonnet"]
}
max_tokens = 50000 {
input.team == "data-science"
}
```
## ベストプラクティス
### 1. 適切なモードを選択
* **Simple**: 単一ステップタスク、高速レスポンス
* **Standard**: マルチステップタスク、中程度の複雑さ
* **Complex**: リサーチ、分析、高度な推論
### 2. 予算制限を設定
予期しない料金を防ぐために、プラットフォームレベルでトークンとコストの制限を設定：
```bash theme={null}
# .envファイル内
MAX_TOKENS_PER_REQUEST=5000
MAX_COST_PER_REQUEST=1.0
```
タスクステータスを介してコストを監視：
```python theme={null}
status = client.get_status(task_id, include_details=True)
if status.token_usage:
print(f"Cost: ${status.token_usage.cost_usd:.4f}")
print(f"Tokens: {status.token_usage.total_tokens}")
```
### 3. コンテキストにセッションを使用
マルチターン会話には、一貫した`session_id`を使用：
```python theme={null}
session_id = "user-123-conversation"
client.submit_task(query="...", session_id=session_id)
```
### 4. パフォーマンスを監視
最適化のためにメトリクスを確認：
```python theme={null}
# タスクの完了を待機
status = client.wait(handle.task_id, timeout=300)
if status.token_usage:
print(f"Tokens used: {status.token_usage.total_tokens}")
print(f"Cost: ${status.token_usage.cost_usd:.4f}")
```
## 次のステップ
Workflowパターンについて学ぶ
予算管理をマスター
Agent APIを探索
SDKで構築