AIエージェント

Claude Managed Agentsの動的ワークフロー：サブエージェントとの違い

2026/10/26 （更新: 2026/11/3）

🤖 AIを使用して執筆

サブエージェントでは、件数が増えると主エージェントのコンテキストが報告で埋まる

Anthropic の文書によれば、サブエージェントでは主エージェント自身が次に起きることを決め、各サブエージェントの報告を読む。委譲は 1 段まで（サブエージェントがさらに別のエージェントへ委譲することはない）で、子スレッドは同時に最大 25 である²。文書がサブエージェントを勧めるのは、報告の後にそのサブエージェントへ追加の指示を送りたい場合と、一覧にした専門のエージェントが要る場合である²。

報告を待つ時間についても、Anthropic は別の機能で述べている。2025 年の記事によれば、複数のエージェントを使う自社の Research 機能では、主エージェントがサブエージェントを同期的に実行し、一組が終わるのを待ってから進む。そのため主エージェントはサブエージェントを途中で制御できず、一つのサブエージェントの終了待ちで全体が止まりうる。非同期にすれば並列は増えるが、結果の取りまとめ、状態の一貫性、エラーの伝播が課題になる、と同社は書く⁴。これは Research 機能についての記述で、Claude Managed Agents の実装についての記述ではない。Claude Managed Agents の文書は、動的ワークフローが主スレッドを利用者との会話に空けると書くが、サブエージェントへの委譲中に主エージェントが利用者と話せないとは書いていない²。

動的ワークフローでは、プログラムが結果を受け取り、次のエージェントと指示文を決める

文書の説明では、書かれたプログラムが、エージェントの結果を主エージェントに代わって受け取り、次に走らせるエージェントを決め、その指示文を書く。同じ段階の中で、手順を繰り返したり、返った結果から次の手順を選んだりもできる⁵。実行はサーバー上のバックグラウンドで進み、主エージェントは利用者との会話と実行の進み具合の確認に使える²。限界は、一回の実行で同時に動くスレッドが 64、実行の全期間で起動できるエージェントが 1,000、実行時間の上限が既定で 24 時間である⁵。

文書は動的ワークフローを、複数のエージェントが要る仕事の大半、つまり部分の多い仕事、並列にできる仕事、早く終えたい長い仕事に勧め、例として監査、移行、深い調査、突き合わせを挙げる²。時間について文書が述べるのは、同時に動かせば、一つのエージェントが順に行うより早く終わりうることである²。

Anthropic は 2024 年の記事で、言語モデルとツールをあらかじめ決めたコードの経路で動かす系をワークフロー、言語モデルが自分の処理とツールの使い方を動的に決める系をエージェントと呼び分けた⁶。動的ワークフローは、言語モデルが実行時にコードの経路を書く点で、この二つを合わせた形と読める。この対応づけは本稿の解釈であり、文書はそう述べていない。

結果をモデルに一件ずつ読ませず、モデルが書いたプログラムに受け渡させる設計は、他の作り手にもある。Cloudflare の Kenton Varda と Sunil Pai は、2025 年 9 月 26 日のブログ記事で、ツールの呼び出しをコードに置き換える方式を示した。MCP（Model Context Protocol、言語モデルに外部のツールを使わせる標準プロトコル）のツールを TypeScript の API（Application Programming Interface）に変換し、言語モデルにその API を呼ぶコードを書かせる。二人は、言語モデルは MCP を直接呼ぶより MCP を呼ぶコードを書くほうが得意で、コードを書かせれば言語モデルは必要な最終結果だけを読み返せば済む、と主張する⁷。Alex L. Zhang、Tim Kraska、Omar Khattab は、arXiv で公開した論文（2025 年 12 月投稿）で Recursive Language Models （RLM）を提案した。長い入力を外部の環境に置き、言語モデルがプログラムで入力を調べて分割し、断片に対して自分自身を再帰的に呼ぶ方式で、モデルのコンテキストの長さより 2 桁大きい入力まで処理できたと報告する（2026 年 5 月改訂の v3 の要旨）⁸。三者は対象が違い、互いの結果を検証し合ってもいない。この一致は、動的ワークフローが同じ効果を持つことまでは示さず、その効果は Anthropic の文書の記述にとどまる。

実行中の追加指示と開始前の承認は使えず、外した理由は書かれていない

文書によれば、主エージェントは実行中のスレッドへ追加のメッセージを送れず、サーバーは各スレッドを実行の終わりまでにアーカイブする²。実行の開始前の承認もなく、主エージェントは、ワークフローを書いたのと同じターンで実行を始める⁵。承認が無いのは実行の開始で、実行の中のエージェントが呼ぶツールには、権限の設定（呼び出しごとの確認を含む）がそのまま効く²⁵。計画を先に見たいときは、計画を説明して利用者の了承を待つよう、システムプロンプトに書くと文書は案内し、そう書いても強制はされないと明記している²⁵。始まった実行を止めるには、主エージェントに止めるよう頼む⁵。文書は、追加指示と承認を外した理由を書いておらず、技術上の制約か設計上の選択かは、文書の記述からは判定できない。

結果の通り道がプログラムに移ると、利用者に見えるものも減る。利用者にはワークフローのコードも、各スレッドがプログラムに返した結果も表示されない⁵。コードは、実行が終わった後に主エージェントに頼めば書いたとおりに出させられ、各スレッドの記録も読める⁵²。実行が completed（完了）の状態で終わっても、作業が成功したとは限らず、失敗はスレッドごとのイベントを読んで探す⁵。同じ仕事に複数のスレッドが作られることもあるので、文書は、エージェントが呼ぶツールを二度呼ばれても安全にするよう求める⁵。

作業エージェントのトークン消費は残る

主エージェントのコンテキストに入る量は減っても、作業エージェントが使うトークンは残る。この消費は、各エージェントが自分のコンテキストを持つ構成そのものから来る。動的ワークフローでも、実行中のすべてのエージェントがトークンを使い、実行に固有の価格はない⁵。文書は、セッションの予算を設定して支出に上限を付けるよう勧める²。

Anthropic は自社の Research 機能で、エージェントが対話の約 4 倍、複数エージェントの系が約 15 倍のトークンを使うと述べる⁴。別の記事では、複数のエージェントが同じ仕事で単一のエージェントの 3 から 10 倍を使うと述べ、理由として、各エージェントが自分のコンテキストを持つこと、調整のメッセージを交わすこと、結果を要約して渡すことを挙げる⁹。同じ記事は、適切なツールを持つ単一のエージェントは多くの開発者の予想より多くの仕事をこなせると書き、複数のエージェントは単一のエージェントの方が良い場面でもしばしば使われていると述べる⁹。これらの倍率は Anthropic が自社の系について述べたもので、動的ワークフローの測定ではない。動的ワークフローの総使用量がサブエージェントより減るか増えるかは、本稿では確かめていない。

同時に動くエージェントどうしの前提の食い違いを防ぐ仕組みは、どちらの渡し方にも文書に無い

プログラムが扱える依存と扱えない依存がある。前の結果に依存する手順は、プログラムが結果を次のエージェントへ渡すので順序立てて書ける。段階を分けて先に読んだ結果を突き合わせることも、一つの段階の中で書き直しを審査に通るまで繰り返すこともできる⁵。扱えないのは、同時に動くエージェントどうしの依存である。各スレッドは自分の会話履歴を持ち、共有するのはサンドボックス（実行環境）のファイルである⁵。

Cognition（エージェント Devin の提供元）の Walden Yan は、2025 年 6 月の記事で、行動は暗黙の判断を含み、並列に動くサブエージェントが食い違う前提で作業すると結果が悪くなる、と述べる¹⁰。Yan は Flappy Bird の複製を例に、互いの作業が見えない並列のサブエージェントは食い違う前提で動き、鳥と背景の絵柄が揃わないと述べる。完全なエージェントの履歴を共有しても、この食い違いは起きるという。そして、履歴の共有と判断の食い違いの回避という二つの原則を破る構成は、既定で除外すべきだと書く¹⁰。コンテキストを連続させる最も簡単な方法として、Yan は単一のスレッドで直線的に進むエージェントを挙げ、部分の多い大きな仕事ではコンテキストがあふれうるとも書く¹⁰。

各スレッドが自分の会話履歴を持つのは、サブエージェントでも動的ワークフローでも同じなので²⁵、この基準では二つとも除外される側に入る。Anthropic も、全エージェントが同じコンテキストを要する領域や、エージェント間の依存が多い領域は、複数エージェントに今は向かないと書く⁴。

二つの違いは、食い違いに気づく機会にある。サブエージェントでは主エージェントがすべての報告を読むが、動的ワークフローでは結果が主エージェントを通らない²。動的ワークフローでは、後の段階の突き合わせで食い違いを見つけることはできるが、前提の不一致を防ぐ仕組みは、現時点の文書に書かれていない。気づく機会の違いも防ぐ仕組みの不在も、文書の記述からの本稿の推論で、文書はそう述べていない。

この記事はAIを使用して執筆されました。内容には誤りが含まれる可能性があります。事実や数字の出典は脚注から確かめられます。