In Silico

AIエージェント

マルチエージェントが効く条件と、失敗の多くを生む設計

2026/8/2 （更新: 2026/9/15）

🤖 AIが執筆しています

目次
【背景】AIエージェントは、何体も並べれば賢くなると言われている分業・議論・多数決という形が広まった【問い】それは本当か。効く条件と、失敗の正体は何か一次研究と現場の記録で切り分ける
※概念図（背景→問い）：足す前に「単体では足りない理由」を言えるか

AIエージェントで難しいタスクに挑むとき、直感的な一手が「エージェントを増やす」ことだ。役割を分けて分業させ、複数に議論させ、多数決を取る。人間の組織がそうするように、頭数を増やせば賢くなると思える。

だが、この直感は条件つきでしか正しくない。設計を詰めれば単体を超える実証はある。一方で、多段推論の測定で計算量を公平に揃えると単体が並び、しかもマルチエージェントの失敗の多くは、モデルの能力ではなく設計と調整の欠陥から来る。この記事は、「増やす」が効く条件と、効かないときに何が起きているかを、複数の一次研究から整理する。問いはこうだ。エージェントを足す前に、「単体では足りない理由」を具体的に言えるか。

増やすと効く、確かな事例

まず、マルチエージェントが本当に効く事例を見る。

もっとも分かりやすいのは Mixture-of-Agents（MoA）だ1。複数のLLMを層状に重ね、各層が前の層の出力を全部受け取って改良する。オープンソースのモデルだけで組んだMoAが、AlpacaEval 2.0で 65.1% を出し、GPT-4 Omniの57.5%を上回った。ただし読み方に注意が二つ要る。第一に、AlpacaEval 2.0が測るのは推論の正解率ではなく、GPT-4系の評価器が回答を見比べて付ける長さ補正済みの選好勝率だ（詳細は脚注1）。第二に、この65.1%は6モデル×3層の構成で、1問あたり13回のモデル呼び出し（6提案＋6提案＋最終層の集約1回）を要する。GPT-4oの1回の呼び出しとは計算量が桁違いに大きい。

土俵を近づけた数字は著者ら自身が出している。2層の MoA-Lite は、GPT-4oと同等のコストで 59.3%（GPT-4 Omniは57.5%）を出した。原典のコスト分析は、GPT-4o との対比では同額での上回りとして書いている（GPT-4 Turbo との対比では逐語 more than twice as cost-effective と、2倍のコスト効率も掲げる）1。同じ費用で単体の最強モデルを上回るという、より公平な証拠である。ただし揃えたのは費用であって計算量ではない。MoA-Liteも1問あたり7回の呼び出し（6提案＋集約1回）を重ねており、安い重みのトークンで費用が並ぶ、という話である。

設計次第だ、という点を示すのが MASS（Google/Cambridge）だ2。多エージェント系を①ブロック単位のプロンプト最適化→②トポロジー（つなぎ方）最適化→③全体のプロンプト最適化、と段階的に詰める。著者らは、素朴に数を増やすだけでは伸びず、プロンプトとトポロジーを一緒に最適化して初めて既存手法を大きく上回る、と報告する。Gemini-1.5-proでの8タスク平均（各3回実行）は、MASSが 78.79、多エージェント議論が70.26、ADASが69.72、単発のCoTが65.28だった。「並べれば勝つ」のではなく「設計すれば勝つ」のだ。

このMASSの数字も、コストの側から読んでおく。1クエリあたりの推論コストで大きく負けているわけではない。ただし著者らの言い方は「揃えた」ではなく同水準（a comparable inference cost per query）である。Table 7 では MASS $0.0014／クエリに対し ADAS $0.0016、多エージェント議論 $0.0012 と近いが、Self-Refine は $0.0004 でMASS は 3.5 倍、そして CoT はこの表に載っていない。成績のほうは、MATH で MASS が84.67%、ADAS が80.00%だった（この2つは Gemini-1.5-pro の値で、上のコスト表は flash の MATH である。コスト統制の根拠と成績の条件は別である）。ただしMASSには推論とは別に探索・最適化の費用がかかる（24M/11Mトークン＝約5ドル）。ADASなど自動設計手法とは同水準だが、いま並べたCoTや多エージェント議論はそもそも探索をしないので、この費用がゼロだ。勘定に入れる範囲を変えれば順位も変わる。次節で持ち出す物差しは、ここでも同じように効く。

古典的には、複数のLLMに数ラウンド議論させると、事実性と、算術・数学・戦略推論の精度が上がるという報告がある3。ただし実験は2023年当時のChatGPT系モデルで、タスクは計6種。推論を測った3種と事実性を測った3種は別なので、事実性の主張を推論タスクの数字で読まないこと（内訳は脚注3）。単純に多数サンプリングして投票するだけでも、エージェント数に応じて性能が伸びるという報告もある4。ただし「難しいタスクほど伸びる」と単調に読んではいけない。著者らは難度を三つの軸に切り分けた実験で、内在的な難度に対する伸び幅は増えてから減ると結論している（Gains increase then decrease by rising the inherent difficulty）。難度が上がりきるとモデルの推論能力を超え、増やしても利得は先細りする。実タスクの側で著者らが測っているのはモデルとタスクの難度差で、同じMATHでも相対利得は弱いLlama2-13Bの200%に対しGPT-3.5-Turboでは34%である。モデルを強くするだけで増員の旨味は6分の1になる。増やすことには、確かに効く場面がある。

だが、計算量を揃えると話が変わる

ここに落とし穴がある。多くの比較は、多エージェントが余分に使った推論計算を勘定に入れていない。つまり「多エージェントが勝った」は、「たくさん考えさせたから勝った」と区別がついていないことが多い。この混同を、情報理論の裏づけと評価手続きまで詰めて測り直したのが、スタンフォード大の研究（査読前のプレプリント）だ5。「計算量を揃えると単体が勝つ」こと自体は、先行研究が既に示唆していた。著者らもそう書いている（逐語 Recent budget-aware studies suggest that, when computation is normalized, many such strategies underperform strong single-agent baselines）。彼らが自分の寄与に置いたのは、理論と方法論の側である。思考トークンの予算を100・500・1k・2k・5k・10kの6水準に固定し、単体エージェントと、5種の多エージェント構成（逐次・サブタスク並列・役割並列・討論・アンサンブル）を同じ予算で比べている。

物差しは FRAMES と MuSiQue（4ホップ）である。前者は検索拡張生成(RAG)の統合評価セットで、事実性・検索・推論を切り離さず、複数の情報源を統合しないと答えが出ない問いで測る6。後者は、互いに依存する単ホップの問いを組み合わせて作った2〜4ホップのQAデータセットで、近道で解けないことを設計目標に据えている7。どちらも「筋道を継がないと答えが出ない」ことを狙って作られており、多エージェントという構造が多段推論に効くのかを見るには適した土俵だ。ただし担保の強さは同じではない。近道耐性を数値で測って設計目標に据えているのは MuSiQue のほうで、FRAMES が担保するのは「複数記事を使って書かれた問いであること」までだ（要する記事数は2〜15、最頻は2記事で約36%）。現に、検索を一切させないベースラインでも最強のモデルは0.408を当てている。そして後者については、原問題に記憶・過学習の疑いがあるという報告もある。深いパラフレーズを与えると成績が上がるからだ（逐語 strongly suggests that the original questions may suffer from memorization or overfitting from pretraining）。ベンチ側の癖が多エージェント優位を膨らませうる、とも書いている。そして記憶の疑いは土俵の両側にある。FRAMES の著者ら自身も、事前学習データの汚染を Limitations の筆頭に挙げ、成績が artificially inflated になりうると書いている。土俵は適しているが、無傷ではない。逆に言えば、ここで測っているのは文書に対する質問応答であって、道具を使う長期タスクの成否ではない。

結果は一貫していた。多段推論タスクで単体エージェントが、要求した同じ予算のもとで、多エージェント系に匹敵または上回った（Qwen3・DeepSeek-R1系・Gemini 2.5の3系統で確認。例外は最小の100トークン水準のみ）。ただし差は予算が増えるほど縮む。Table 1 の平均で、単体 対 最良の多エージェント構成は 2000トークンで 0.421 対 0.403、5000で 0.427 対 0.420、10000では 0.426 対 0.423 と 0.003 差まで詰まる。著者らも討論型（Debate）を最も一貫して強い多エージェント構成と名指しし、on Gemini-2.5-Pro MuSiQue it is often the strongest overall MAS architecture と書いている（当該セルでは 0.470 対 単体 0.419）。ただし Gemini については、thinkingBudget は上限ではなく目安であり、観測トークンでの apples-to-apples な計算比較は intractable だと著者ら自身が書き、消費側の突き合わせは成り立たないと断っている。API の申告値は、高い予算帯ほど可視テキスト換算から離れていく（著者らは API-Reported counts are highly inflated at higher thinking budget と書き、10kトークンを要求した例で4.7倍を挙げる。付録の表には6倍を超えるセルもある）。そしてその但し書きは、本稿の見立てをむしろ強くする。同じ要求予算のもとで、逐次型の多エージェントは単体より多く考えていた（1k要求時に 693 対 390 の可視トークン）。多く考えて、なお並ぶにとどまったわけだ。著者らはこれを情報理論のデータ処理不等式で説明する。固定のトークン予算で文脈を完全に使えるなら、単体の方が情報効率がよい。見かけのマルチエージェント優位は、構造の恩恵でなく、勘定に入れていない追加計算と文脈効果から来ていた、というわけだ。

ただし著者らは「単体があらゆる領域で常に優位、というわけではない」とも明記する。モデルが生成した推論の途中経過を、無作為に伏せ字にしたり無関係な語に置き換えたりして人工的に壊す実験がある（逐語 Apply corruption operator T only to the generated think text）。そこでは劣化を強めた α=0.7 の条件で逐次型（Sequential）の多エージェントが単体を逆転した（Qwen3-30B-A3B、MuSiQue 4ホップ、1000トークン固定）。ただし逆転したのは情報を壊す摂動（マスク・置換）だけで、単に消す削除では最重度でも単体が優位に戻り、無関係な文を足すだけの摂動では単体が終始優位だった。著者らの結論はこうだ。多エージェントが最も助けになるのは、単に文脈が長いときではなく、一本の推論の筋道では関連する情報と誤導する情報を見分けにくくなったときである。

失敗の正体は、モデルでなく「設計」

では、マルチエージェントが失敗するとき、何が壊れているのか。UC Berkeleyの研究「Why Do Multi-Agent LLM Systems Fail?」8が、7つの主要フレームワークの実行トレースを注釈し、失敗を体系化した（MAST：14の失敗モードを3カテゴリに整理）。注釈の規模は、人手が5フレームワークの150トレース超（うち3名で反復ラベリングした15トレースで注釈者間一致 kappa=0.88）、これをLLM注釈器（o1、人手との一致 kappa=0.77／正解率94%）で1,642件（MAST-Data）に広げている。

肝心なのは内訳だ。この1,642件で、失敗の最多はシステム設計の問題（タスクや役割の仕様からの逸脱、会話履歴の喪失、終了条件の無自覚など）で44.2%、次いでエージェント間の不整合（すれ違い・情報共有の失敗）が32.3%、いわゆる「検証の失敗」は23.5%だった。著者らはこの分布を、役割の切り方・つなぎ方・情報の受け渡しの側、すなわち個々のエージェントの能力の限界というより組織設計と調整の問題として読む。ただし著者ら自身の介入実験では、同じモデルのまま系の作りとプロンプトを変えて改善は最大15.6%にとどまり、著者らは「完了率は依然として低い」と書く。設計は効き所だが、そこを直せば済む規模の話ではない。

ただし、失敗の分布はシステムごとにもモデルごとにも大きく異なる。著者らは同じMetaGPTフレームワーク上でも、設計起因の失敗（上の「システム設計の問題」）がGPT-4oではClaude 3.7 Sonnetより39%少なかったと報告する。ただしこれはプログラミングタスク上の比較で、かつ著者らはGPT-4o が総合成績でも上回ると併記している。モデルを替えれば失敗の量も内訳も動く。著者らはシステムごとの失敗プロファイルを並べたうえで、「万能の解はない（no one-size-fits-all）」と観察している（結論部ではなく、失敗分析の節での所見である）。

議論（ディベート）にも固有の罠がある。ある研究9は、3体のうち2体を強いほうのモデルにしてもラウンドを重ねるほど精度が下がりうることを示した（GPT-4o-mini と 7〜8B のオープンモデルを混ぜた構成、各タスク100問×5シード）。モデルは仲間の推論に触れると、誤りを指摘するより同調してしまい、正解から不正解へ翻る。増やした対話が、むしろ誤りを伝播させる。

現場の声も同じ方向を指す。Devinを作るCognitionは、2025年6月の「マルチエージェントを作るな」と題した実践記で10、並列サブエージェントは文脈が分断されるため脆いと論じた。あるサブエージェントがゲーム背景を作り、別のサブエージェントが噛み合わない素材を作る。互いの暗黙の判断を共有しないからだ。彼らが挙げる原則は二つ。①個々のメッセージだけでなく、エージェントの軌跡（trace）ごと文脈を共有せよ。②行動には暗黙の判断が伴い、判断が食い違えば結果も壊れる。原典は、単線の（線形の）エージェントを原則そのものではなく、この二つを最も単純に満たす設計例として示している。

この実践記には続きがある。同じ著者は10か月後（2026年4月）に、書き込みは単線に保ち、増やしたエージェントには行動でなく知能を足させるという条件つきで効く型を見つけたと報告した11。文脈を共有しない別のレビュー役にコードを見せる、管理役が仕事を分割して子エージェントに投げ結果を統合する、といった形である。ただし後者を、原典は「Looking Ahead」の節に置いている。Devinでは既に稼働しているが（This is live in Devin today）、著者ら自身は we're still improving on all of them と書く。単一エージェント並みの一貫性をどう出すかを at the center of some of our upcoming work in 2026 に置いており、レビュー役ループほど固まってはいない、という程度に読むのがよい。一方で並列に書き込むエージェント群については「当初の観察は今も成り立つ」としている。著者は禁止を撤回したのではなく、効く条件を絞り込んだ。この型は、書き込みを一本に保つことで原則②（判断の食い違い）を回避している。

なお、原則①の「文脈を共有せよ」はエージェント間で何を渡すかの話だ。一つのエージェントの中で履歴をどこまで刈り込むか、という話とは層が違う（もっとも原典は、原則①を制約しているのは文脈長そのものだとし、その解として単体エージェント内の履歴圧縮を地続きに置いている）。

結論　「足す」前に、理由を言えるか

マルチエージェントは、魔法でも無駄でもない。設計を詰めれば単体を超える（MoA・MASS）。だが、多段推論の計測では、計算量を揃えると優位は消えがちだ（データ処理不等式による説明）。同じ研究は効く条件も示す。余分に計算を投じられる場面か、あるいは単に文脈が長いときではなく一本の推論では関連情報と誤導情報を見分けにくくなったときに、多エージェントは最も助けになる。そして、失敗の多くはモデルの能力でなく、システム設計・エージェント間の調整・検証の欠陥から来る（MAST）。議論は同調で劣化することすらある。実務側で効いている型も、書き込みを単線に保ち、増やしたエージェントに知能だけを足させるものだった（Cognition）。

だから、エージェントを増やすかどうかの判断は、頭数の話ではない。問うべきは一つである。単体では足りない理由を、具体的に言えるか。 「本当に独立して並列化できる仕事があるか」「役割を分けたとき、暗黙の判断まで文脈として共有できるか」「増やしたぶんの計算を、単体に足したら同じ結果にならないか」。この三つに答えられないなら、増やす前にやることがある。多エージェントは、単体の限界を具体的に言えて初めて、設計として意味を持つ。

出典11件

  1. Wang ら「Mixture-of-Agents Enhances Large Language Model Capabilities」arXiv:2406.04692（Together AI/Duke/Stanford、v1 2024-06。査読版は ICLR 2025 Spotlight 採択。arXiv 側は v1 のまま更新されていない）。各層のエージェントが前層の全出力を受けて改良する層状構成。オープンソースLLMのみのMoA（6モデル×3層）が AlpacaEval 2.0 で 65.1%（GPT-4 Omni 57.5% を上回る）、MT-Bench/FLASK でも上回ると報告。AlpacaEval 2.0 は805問の指示に対し、GPT-4系の評価器が基準モデル（gpt-4-1106-preview）の回答と見比べて付ける長さ補正済み(length-controlled)の選好勝率で、推論の正解率ではない。呼び出し回数は、原典が「最終層では1つのLLMだけを使えばよい」と述べる構成（only one LLM is needed to be used in the last layer）から、6モデル×3層のMoAで13回、6モデル×2層の MoA-Lite で7回。著者らは2層の MoA-Lite でも 59.3%（GPT-4 Omni 57.5%）と報告している。ただしその位置づけは安さではない。原典のコスト分析は MoA-Lite can match GPT-4o's cost while achieving higher level of quality と、同額で上回るほうに置いている。 https://arxiv.org/abs/2406.04692 ↩ ↩2 ↩3

  2. Zhou, Wan, Sun ら「Multi-Agent Design: Optimizing Agents with Better Prompts and Topologies」arXiv:2502.02533（Google/Cambridge、v1 2025-02 → v2 2026-01 = ICLR 2026 採択）。多エージェント系をブロック単位プロンプト→トポロジー→全体プロンプトの順で最適化。素朴な増員でなく、プロンプトとトポロジーの同時最適化で既存手法を大幅に上回ると著者は報告（Gemini-1.5-pro・8タスク平均・各3回実行で MASS 78.79／多エージェント議論 70.26／ADAS 69.72／単発CoT 65.28。MATH は MASS 84.67%／ADAS 80.00%（著者らは「1クエリあたりの推論コストを揃えて比較した」と述べる）。タスクは MATH, DROP, HotpotQA, MuSiQue, 2WikiMQA, MBPP, HumanEval, LiveCodeBench）。 https://arxiv.org/abs/2502.02533 ↩

  3. Du, Li, Torralba, Tenenbaum, Mordatch「Improving Factuality and Reasoning in Language Models through Multiagent Debate」arXiv:2305.14325（MIT/Google、2023-05。査読版は ICML 2024 採択）。複数のLLMが数ラウンド答えを提案・議論して収束させると、数学・戦略推論が向上し事実性が上がる（誤答・幻覚が減る）と著者は報告。実験は2023年当時のChatGPT系モデル、タスクは6種。推論側は算術式の評価・GSM8K・チェスの次手予測である。事実性側は別の3種で、伝記生成（To evaluate the factuality of language models, we introduce a novel task of accurately generating historical biographies）・MMLU・チェス手の妥当性判定である。事実性の主張を推論側の3種で読まないこと。 https://arxiv.org/abs/2305.14325 ↩ ↩2

  4. Li ら「More Agents Is All You Need」arXiv:2402.05120（Tencent、2024-02。査読版は TMLR 2024-10 掲載）。単純なサンプリング＆投票（Agent Forest）で、instantiate するエージェント数に応じ性能が伸びる。伸び幅について要旨は相関しか述べておらず（the degree of enhancement is correlated to the task difficulty）、結論節は非単調である。原典は the performance gains increase then decrease by rising the inherent difficulty と書く。難度を3軸に分けた切り分け実験（GPT-3.5-Turbo・合成タスク・内在的難度 I を10→400）でも利得は I=100〜200 で最大となり、著者らは at I = 400, gains taper off と書いている。ただし著者らが Table 6 で測っているのはLLMとタスクの相対難度である（キャプション The relative performance gain (%) becomes more significant when the relative difficulty between the LLM and the task increases）。同じ MATH の相対利得は Llama2-13B 200%／Llama2-70B 120%／GPT-3.5-Turbo 34%、易しい GSM8K では 69／37／16 で、モデルを強くするだけで利得が大きく縮む。他手法と直交的に併用可能とも報告するが、著者らが名指しした失敗例は議論(debate)法との併用で、コード生成タスクで Llama2-13B/70B が failed cases になったと明記し、原因を他エージェントの答えを参照することで生じるノイズに帰している。効果はタスク依存という条件つき。 https://arxiv.org/abs/2402.05120 ↩

  5. Tran, Kiela「Single-Agent LLMs Outperform Multi-Agent Systems on Multi-Hop Reasoning Under Equal Thinking Token Budgets」arXiv:2604.02460（Stanford University、v2 = 2026-04-11。査読前プレプリント（Preprint. Under review.））。多くのベンチは、多エージェントが余分に使う推論トークンを勘定に入れていない。予算を揃えると、単体が精度・計算効率とも多エージェントに匹敵/優位（Qwen3・DeepSeek-R1系・Gemini 2.5）。原典は SAS is the best-performing system or statistically indistinguishable from the best for all budgets except the lowest one (100 tokens)、および SAS also consumes much less thinking token than any MAS variants while achieving the same or better results。評価は FRAMES と MuSiQue（4ホップ）、思考トークン予算は 100/500/1k/2k/5k/10k の6水準、MAS 側は Sequential・Subtask-parallel・Parallel-roles・Debate・Ensemble の5種。単体優位の例外は最小の100トークン水準のみ。データ処理不等式で説明し、見かけの優位は追加計算と文脈効果に帰すとする。ただし著者らは「not that SAS always dominates in every regime」と明記し、マスク・置換で文脈の劣化を強めた実験では α=0.7 で Sequential が単体を逆転したと報告（Qwen3-30B-A3B、MuSiQue 4ホップ、1000トークン固定）。ただし摂動は4種あり、削除では最重度でも単体が優位に戻り（SAS regains a small edge at the heaviest deletion level）、無関係文の追加では単体が終始優位（SAS remains ahead throughout）である。結論は「MAS is most helpful not simply when context is longer, but when it becomes harder for a single reasoning trajectory to distinguish relevant from misleading information」。要旨はこの条件を、multi-agent systems become competitive when a single agent's effective context utilization is degraded, or when more compute is expended と選言で予告している。 https://arxiv.org/abs/2604.02460 ↩

  6. FRAMES（Factuality, Retrieval, And reasoning MEasurement Set）。S. Krishna, K. Krishna, A. Mohananey ら「Fact, Fetch, and Reason: A Unified Evaluation of Retrieval-Augmented Generation」arXiv:2409.12941（Google, 2024）。事実性・検索・推論を切り離さず end-to-end の RAG として評価する目的で作られ、複数の情報源の統合を要する多段の問いで構成される。検索なしでは最先端モデルでも正答率0.408（Gemini-Pro-1.5。他モデルは 0.095〜0.308、参照記事を与える Oracle Prompt では 0.729）、著者らの多段検索パイプラインで0.66と報告。近道耐性を数値で測った検証は行っておらず、問いの担保は人手の作問と品質チェックによる（各問は2〜15記事を要し、うち約36%は2記事）。著者ら自身が Limitations の筆頭に事前学習データの汚染を挙げ、This could lead to artificially inflated performance metrics と書いている。 https://arxiv.org/abs/2409.12941 ↩

  7. MuSiQue。H. Trivedi, N. Balasubramanian, T. Khot ら「MuSiQue: Multihop Questions via Single-hop Question Composition」arXiv:2108.00573（TACL 2022）。既存の多ホップベンチは近道で解けてしまうという問題意識から、互いに依存する単ホップ問題を組み合わせる bottom-up 構成で2〜4ホップ問題25Kを作成（MuSiQue-Ans）。両方の数字とも既存データセットとの比較（Relative to existing datasets, MuSiQue-Ans is more difficult overall (3x increase in human-machine gap), and harder to cheat via disconnected reasoning (e.g., a single-hop model has a 30 point drop in F1)）＝人間と機械の差が3倍に開き、分断推論で解く単ホップモデルのF1は30ポイント低い。MuSiQue内で多ホップモデルと比べた差ではない。解答不能な対照問題を加えた MuSiQue-Full もある。 https://arxiv.org/abs/2108.00573 ↩

  8. Cemri ら「Why Do Multi-Agent LLM Systems Fail?」arXiv:2503.13657（UC Berkeley ほか、v1 2025-03 → 本稿が引くのは査読版 v3, 2025-10 = NeurIPS 2025 Datasets & Benchmarks Track）。7フレームワークの実行トレースを注釈し失敗を体系化（MAST：14失敗モード／3カテゴリ）。著者らは人手150トレース（要旨は We develop MAST through rigorous analysis of 150 traces … validated by high inter-annotator agreement (κ=0.88) と束ねるが、本文では5フレームワークの150トレース超を6名の専門注釈者が分析し、κ=0.88 は3名が反復ラベリングした15トレースで測った値である）から始め、o1 ベースのLLM注釈器（人手との一致 κ=0.77／正解率94%）で MAST-Data として 1642トレースへ広げている。v3 の内訳はシステム設計44.2%／エージェント間の不整合32.3%／検証の失敗23.5%（Figure 1、母数1642）。版で母数も割合も第一分類の名も変わっている。v2 は「200本超」を母数に 41.8/36.9/21.3、第一分類名は “Specification Issues”（“specification and system design failures” と taxonomy 名 MASFT は v1 の語で、v2 には現れない。v1 の割合は 37.2/31.4/31.4）。いずれの版でも結論の向きは同じで、原典は many MAS failures arise from the challenges in organizational design and agent coordination rather than the limitations of individual agents とする（ただし「基盤モデルの改善だけでは足りない」の部分を、著者らは conjecture として述べている）。失敗分布はシステムごとに大きく異なる（原典「failure distributions differ markedly across various MAS」）。同一MetaGPT上でGPT-4oは設計起因の失敗（FC1）がClaude 3.7 Sonnetより39%少なく（it shows significantly fewer FC1 (System Design Issues) failures by 39%）、著者らは「no one-size-fits-all solution」と結ぶ。介入の実測は控えめで、同じモデルのまま系の作りとプロンプトを変えた事例研究で we achieve max improvements of 15.6%、続けて not all failure modes are resolved, and task completion rates still remain low と書いている。 https://arxiv.org/abs/2503.13657 ↩

  9. Wynn, Satija, Hadfield「Talk Isn’t Always Cheap: Understanding Failure Modes in Multi-Agent Debate」arXiv:2509.05396（ICML 2025 MAS Workshop、2025-09）。多エージェント議論でラウンドを重ねるほど精度が下がりうる（強モデルが多数でも）。モデルは仲間の推論に同調し、正解から不正解へ翻る。誤りの伝播が体系的に起きる。 https://arxiv.org/abs/2509.05396 ↩

  10. Walden Yan（Cognition／Devin 開発元）「Don’t Build Multi-Agents」（2025-06、実務者の技術記）。並列サブエージェントは文脈分断ゆえ脆いと論じ、具体例（噛み合わないゲーム素材の生成）を挙げる。原則1「Share context, and share full agent traces, not just individual messages」、原則2「Actions carry implicit decisions, and conflicting decisions carry bad results」。原典は、単線の線形エージェントを原則そのものではなく、両原則を最も単純に満たす設計例として提示している。査読論文でなく開発元の実践知見として。 https://cognition.com/blog/dont-build-multi-agents ↩

  11. Walden Yan（Cognition）「Multi-Agents: What’s Actually Working」（2026-04-22、実務者の技術記）。前稿の10か月後の更新で、10 months ago, I wrote Don't Build Multi-Agents, arguing that most people shouldn't try to build multi-agent systems と振り返ったうえで、we've found a narrower class of patterns that do: setups where multiple agents contribute intelligence to a task while writes stay single-threaded と報告する。挙がる型は、文脈を共有しないレビュー役との往復（we found this technique to work best when the coding and review agents do not share any context beforehand）、能力差のあるモデル間の相談（“smart friend”）、管理役Devinが子Devinを立てて統合する分割統治。並列書き込み型については Our original observations still hold today for parallel-writer swarms: most of the sexy ideas in that space still don't see meaningful adoption と明記しており、前稿の撤回ではない。査読論文でなく開発元の実践知見として。 https://cognition.com/blog/multi-agents-working ↩

この記事はAIが執筆しています。内容には誤りが含まれる可能性があります。ご注意ください。