LangChain、Deep AgentsでAI検索

LangChainの記事は、エージェントの検索を限られたコンテキストウィンドウの問題として捉えている。答えがすべて手元にあるのに効率よく正解を見つけられない、開本試験の学生のようなものだ。同社は競合分析エージェントを例に挙げる。毎週月曜に数百社を調査し、先週のCompany Aに関するメモ、巨大な市場データ出力から特定の売上数値、ニュースアーカイブの新着情報が必要になる。これらの検索タスクはそれぞれ異なる形で失敗し、LangChainは各失敗をDeep Agentsハーネスの技術に対応づける。

第一の失敗である非効率な検索には、ファイルを開く前に名前とキーワードを確認するglobやgrepなどの組み込みファイルシステムツールと、正確なキーワードでは足りない場合に追加するセマンティック検索ツールで対処する。第二の失敗である一度に大量のコンテキストを読む問題には、read_fileのoffsetとlimitで大きなファイルを1ページずつ読むことと、過大なツール結果をファイルへ退避することで対処する。第三の失敗である無関係・古いコンテキストには、読解をサブエージェントに委任して重要事実だけを返させること、検索APIなど最新の情報源から取得すること、出力を引用元と照合して検証することで緩和する。

記事はまた、取得したテキストは指示ではなくデータであり、プロンプトインジェクションを含み得るが、どんなプロンプトや区切り文字の戦略でも完全には防げないため、回答は想定される情報源と照合すべきだと警告する。LangChainは戦略を次のように要約する。機能する最も効率的なツールを使う、読み込まずにページ単位で読む、ペイロードではなくポインタを返す、読解を委任する、根拠を検証する。