メインコンテンツへスキップ
見出し画像

LangChain・LangGraph・ADKとの違いから見るSynapse Agent -State中心なAgent Frameworkは何を変えるのか

    AIエージェントのフレームワークは、ここ数年で一気に増えました。

    LangChain、LangGraph、GoogleのAgent Development Kitなど、すでに強力な選択肢があります。LangChainはLLMアプリケーションを構成するための抽象化を提供し、LangGraphは長時間動くstatefulなエージェントを構築するための低レイヤーなオーケストレーション基盤として説明されています。Google ADKも、ツール、セッション、メモリを含むエージェント開発の仕組みを提供しています。

    ただ、Synapseが目指しているものは少し違います。

    Synapseは、単にLLMを便利に呼び出すためのフレームワークではありません。
    また、固定されたワークフローに沿ってAIを動かすための仕組みでもありません。

    Synapseが扱っているのは、AIがどのように状況を理解し、計画し、実行し、評価し、次の行動へつなげていくかです。

    つまり、中心にあるのは「実行」ではなく「認知」です。


    既存フレームワークは、何を得意としているのか

    LangChainは、LLMアプリケーションを作るための部品を揃えるフレームワークです。プロンプト、ツール、Retriever、Memoryなどを組み合わせることで、柔軟にAIアプリケーションを構築できます。これは非常に強力です。

    LangGraphは、よりエージェントの実行制御に寄った仕組みです。ノード、エッジ、状態、ループなどを使い、複雑なエージェントワークフローを構築できます。公式ドキュメントでも、低レイヤーのオーケストレーションフレームワークであり、長時間動くstateful agentを構築・管理・デプロイするためのものと説明されています。

    Google ADKは、エージェントを実運用するための要素を持っています。ツール、セッション、メモリ、Runnerなどを通じて、エージェントアプリケーションを構成できます。ADKのメモリ機能では、過去のセッションから情報を取り込み、必要に応じて検索できる仕組みも用意されています。

    これらはどれも優れたフレームワークです。

    ただし、多くの場合、中心にあるのは「LLMをどう実行するか」「エージェントの流れをどう制御するか」です。

    Synapseは、そこから一段違う場所を見ています。


    Synapseの中心はワークフローではなくStateです

    Synapseの中心にあるのは、Stateです。

    ここで言うStateは、単なる変数保存や会話履歴ではありません。

    Synapseでは、Stateを以下のような意味のある領域に分けています。

    • facts:確定した事実

    • hypotheses:未検証の仮説

    • decisions:採用・棄却の判断履歴

    • openQuestions:未解決の論点

    • actions:実行済みの確認や調査

    • tasks:次に実行すべき作業

    これは単なるメモリ分類ではありません。
    AIの認知状態を構造化するための仕組みです。SynapseのREADMEでも、State駆動によってエージェントが中央の状態を参照し、不足を検知しながら実行戦略を再構成する設計が説明されています。

    人間は、過去の会話ログをすべて読み返しながら考えているわけではありません。

    「何が分かっているか」
    「何がまだ不明か」
    「何を試したか」
    「何を採用し、何を棄却したか」
    「次に何をするべきか」

    こうした認識を持ちながら考えています。

    SynapseのStateは、この人間の認知に近い形でAIの状態を管理します。


    Memoryではなく、認知状態を管理する

    既存フレームワークにもMemoryはあります。

    LangChainのMemoryは、過去のやり取りを記憶し、ユーザーの好みや以前の会話を活用するための仕組みとして説明されています。

    Google ADKにもMemoryServiceがあります。ADKでは、Session/Stateは進行中の会話における短期記憶のようなもの、MemoryServiceは過去の会話や外部情報を検索可能な長期的知識として扱うもの、と説明されています。

    これは非常に重要な機能です。

    ただ、SynapseのStateは「あとで検索するための記録」ではありません。

    Synapseでは、ツール実行結果をそのまま長く持ち続けるのではなく、実行結果を評価し、後続判断に必要な情報へ抽象化してStateへ統合します。READMEでも、生の実行ログを永続的に保持せず、必要な知見をStateへ反映した後、整理された最新のStateを参照して推論する設計が説明されています。

    つまりSynapseが保持するのは、履歴ではなく現在の認識です。

    ここが大きく違います。


    要約圧縮ではなく、意味抽象化です

    長い履歴を短くするだけなら、要約メモリでもできます。

    しかしSynapseが行っているのは、単なる要約圧縮ではありません。

    ツールを実行した結果に対して、

    「これは事実として扱えるのか」
    「これは仮説に留めるべきか」
    「この結果により、どのtaskが完了したのか」
    「どのtaskは不要になったのか」
    「次に追加で確認すべきことはあるのか」
    「どの判断を採用し、何を棄却したのか」

    まで評価します。

    実装上も、StatefulAgentではツール実行後にState更新専用の処理が走り、tasksの完了・不要・追加、decisionsやfactsへの反映を行う設計になっています。

    これは、Memoryというよりも「思考の継続」です。

    AIがただ過去を保存するのではなく、現在の認識を更新し続ける。
    Synapseの特徴はそこにあります。


    SynapseはAIを縛るための仕組みではありません

    State-drivenと聞くと、決定論的な状態遷移を想像されることがあります。

    しかしSynapseは、固定された状態遷移でAIを動かすフレームワークではありません。

    むしろ逆です。

    Synapseが強制しているのは、AIの行動そのものではなく、思考の型です。

    解釈する。
    計画する。
    実行する。
    評価する。
    統合する。

    この認知プロセスをシステムとして強制します。

    しかし、「次に何を実行するか」はAIがStateを見て判断します。
    不足している情報があれば追加で調べる。
    前提が崩れたら計画を変える。
    不要になったtaskは棄却する。
    回答可能になれば最終回答へ進む。

    つまり、SynapseはAIの自由度を下げているのではありません。

    AIが自由に考えて動けるように、思考の足場を与えています。


    ワークフローではなく、動的な再計画です

    LangGraphのようなワークフロー型のフレームワークでは、人間がノードとエッジを設計します。これはとても強力です。特に業務フローや承認フローのように、実行順序や制御構造を明確にしたい場合には向いています。

    一方で、非定型なタスクでは、ワークフローを細かく定義しようとすると複雑になります。

    分岐を増やす。
    検証ノードを増やす。
    リトライ経路を増やす。
    例外処理を増やす。

    そうすると、フロー全体がだんだん巨大化していきます。

    Synapseは、そこを固定フローではなくStateで解決しようとします。

    AIは現在のStateを見て、何が不足しているかを判断します。
    そして、必要なツールやサブエージェントを選び、実行し、結果を評価し、Stateを更新します。

    フローを人間がすべて書くのではなく、StateをもとにAIが実行戦略を組み替えます。


    動的プロンプトという設計思想

    Synapseの大きな特徴のひとつは、動的プロンプトです。

    一般的なエージェント設計では、エージェントのプロンプトに多くのことを書きがちです。

    このエージェントは何を担当するのか。
    どのツールが使えるのか。
    各ツールの結果をどう評価するのか。
    他のエージェントにどう委譲するのか。
    どんな場合に最終回答してよいのか。

    しかし、これを全部エージェントのプロンプトに書くと、プロンプトはすぐに巨大化します。

    巨大なプロンプトは、管理が難しくなります。
    一部の評価軸を変えただけで、別のツールや別の判断に影響が出ることもあります。

    Synapseでは、この問題を避けるために、責務を分離します。

    たとえば、ツールの結果をどう評価するかは、エージェント本体ではなくツール定義側に持たせます。Toolクラスでも、evaluationが設定されている場合、ツール実行結果に評価指示を添付する設計になっています。

    これにより、評価軸はそのツールに閉じます。

    あるツールの評価基準を変えても、他のツールへの影響は基本的にありません。

    また、評価が必要なタイミングだけ、その評価軸を使えます。
    常に全評価ルールをプロンプトに積む必要がありません。

    これは、単なるプロンプト短縮ではありません。

    必要な認知だけを、必要な瞬間に注入する設計です。


    使わないツールは、プロンプトから消す

    Synapseでは、質問に対して使わないツールやエージェントを容赦なく無効化します。

    これは非常に重要です。

    AIに大量のツールを見せると、選択肢が増えます。
    一見すると自由度が高いように見えます。

    しかし、実際にはノイズも増えます。

    名前が似ているツールを誤って選ぶ。
    関係ないツールを「念のため」に使う。
    本来のtaskと違う方向へ進む。

    こうしたリスクが出ます。

    Synapseでは、初期State作成時に、今回の依頼に構造的に関係しないツールやサブエージェントを無効化できます。実装上も、初期State生成時に_runtime.disabledTools / disabledAgentsを扱い、対象のtoolHandlersやagentHandlersから削除する処理があります。

    つまり、AIにすべてを見せて頑張らせるのではなく、AIが考えやすい環境を動的に作ります。


    エージェントのプロンプトに全部を書かなくていい

    Synapseでは、「このエージェントは何を担当し、何ができるか」を長々と書く必要が減ります。

    なぜなら、今有効なツールとサブエージェントだけがプロンプトに積まれるからです。

    Agentのプロンプトは、巨大な説明書ではなくなります。

    書くべきものは、主に以下です。

    思考原則。
    判断原則。
    最終回答してよいタイミング。

    細かいツール説明、評価軸、使用可能なサブエージェント、現在のtask、現在のStateは、実行時に組み立てられます。

    これはプロンプトエンジニアリングというより、コンテキスト設計です。

    Synapseは「巨大な万能プロンプト」を作るのではなく、AIが思考しやすい認知環境を作ります。


    マルチエージェントは、別人格の会話ではありません

    Synapseのマルチエージェントにも、はっきりした思想があります。

    それは、複数のAIが自由に会話し続ける構造ではありません。

    イメージとして近いのは、黒板アーキテクチャです。

    黒板アーキテクチャでは、複数の専門処理が、共有された作業領域を見ながら問題解決に参加します。Synapseもこれに近く、エージェント間の情報連携は、単なる会話の受け渡しではなく、共有Stateを通じて行います。

    全員が同じ認知空間を見ます。

    そのため、裏側では複数のエージェントが動いていても、全体としては単一のエージェントのように振る舞えます。


    受付と最終回答の主体を揃える

    一般的なマルチエージェントでは、エージェントごとに別々の文脈や判断軸を持ちやすくなります。

    Agent Aが解釈する。
    Agent Bが別の解釈をする。
    Agent Cがさらに違う前提で回答する。

    これが続くと、委譲のたびに解釈がずれます。

    Synapseでは、受付と最終回答の主体を揃える設計ができます。

    ユーザーと対話するエージェントが依頼を受け、必要に応じて専門エージェントを使い、最後に同じエージェントが統合して回答します。

    これにより、会話主体が一貫します。

    裏側ではマルチエージェントでも、ユーザー体験としては単一の知性として振る舞えます。


    全員が同じコンテキストで動く

    Synapseでは、全エージェントにユーザー原文をそのまま渡すことを前提にしません。

    必要な情報は、Stateやtaskを通じて渡されます。

    これにより、各エージェントが原文を勝手に解釈し直すリスクを下げられます。

    情報連携は黒板で行います。
    しかも、単なる値の共有ではなく、facts、hypotheses、decisions、tasksのように文脈付きで共有されます。

    そのため、解釈揺れが起きにくくなります。

    普通のマルチエージェントが「別人同士の会話」だとすると、Synapseは「同じ脳の中にある複数の専門領域」に近いです。

    これは暴走を防ぐ上でも重要です。

    エージェント同士が自由に主観をぶつけ合うのではなく、共有された認知状態を更新しながら進みます。


    Synapseは、単一知性を専門分化させる

    Synapseのマルチエージェントは、複数人格を作るためのものではありません。

    単一の知性を、認知責務ごとに分けるためのものです。

    調査する領域。
    分析する領域。
    検証する領域。
    統合して回答する領域。

    これらを分けても、共有Stateがあるため、全体としては一貫した認識を保てます。

    ここが、一般的な「AI同士を会話させる」マルチエージェントとの違いです。

    Synapseでは、エージェントはバラバラに喋る存在ではありません。
    同じ認知空間を共有する専門機能です。


    Synapseは何を変えようとしているのか

    多くのフレームワークは、AIをどう実行するかを扱います。

    どのモデルを呼ぶか。
    どのツールを使うか。
    どのノードへ進むか。
    どう履歴を保存するか。

    Synapseも当然それらを扱います。

    しかし、Synapseの中心はそこではありません。

    Synapseが扱っているのは、AIがどう考え続けるかです。

    ログをそのまま読むのではなく、意味として保持する。
    過去の出力を信じるのではなく、判断履歴として扱う。
    全ツールを見せるのではなく、必要なものだけを見せる。
    巨大プロンプトで縛るのではなく、必要な認知を必要な瞬間に注入する。
    複数エージェントを別人格にするのではなく、単一知性の専門領域として扱う。

    この設計によって、AIは固定フローに従うだけの存在ではなくなります。

    Stateを見て、不足を検知し、計画を変え、実行し、評価し、またStateを更新する。

    Synapseは、AIを強く縛るための仕組みではありません。

    AIが自律的に考え続けるための構造です。


    最後に

    Agent Frameworkの進化は、単に便利なクラスやAPIが増える方向だけではないと思っています。

    これから重要になるのは、AIにどのような認知環境を与えるかです。

    どの情報を見せるのか。
    どの情報を見せないのか。
    何を事実として扱うのか。
    何を仮説として残すのか。
    何を棄却したのか。
    いつ最終回答してよいのか。
    複数エージェントがどう一貫した認識を保つのか。

    Synapseは、そこを設計するためのフレームワークです。

    LLMを便利に呼び出すためではなく、AIが考え続けるために。
    複数のAIを会話させるためではなく、単一の知性を専門分化させるために。
    ワークフローを固定するためではなく、状態をもとに動的に再計画するために。

    Synapseの本質は、State管理ではありません。

    AIの認知プロセスを、ソフトウェアとして設計することです。

     
     

    太田

     
     
    IT企業で対話型AIエージェントを設計・開発しています。 実務で壊れた設計など、数々の失敗から辿り着いた 「太田式エージェント設計」を発信中。 誰か雇ってください。

    あなたへのおすすめ