エージェント

エージェントはアプリの中核となる構成要素です。エージェントは大規模言語モデル（ LLM ）で、 instructions とツールで構成されます。

基本設定

一般的に設定するエージェントの主なプロパティは次のとおりです。

name: エージェントを識別する必須の文字列。
instructions: developer メッセージ、またはシステムプロンプトとも呼ばれます。
model: 使用する LLM と、temperature、top_p などのモデル調整パラメーターを設定するオプションの model_settings。
tools: エージェントがタスクを達成するために利用できるツール。

from agents import Agent, ModelSettings, function_tool

@function_tool
def get_weather(city: str) -> str:
    """returns weather info for the specified city."""
    return f"The weather in {city} is sunny"

agent = Agent(
    name="Haiku agent",
    instructions="Always respond in haiku form",
    model="gpt-5-nano",
    tools=[get_weather],
)

コンテキスト

エージェントはその context 型に対してジェネリックです。Context は依存性注入のためのツールで、あなたが作成して Runner.run() に渡すオブジェクトです。これはすべてのエージェント、ツール、ハンドオフなどに渡され、エージェント実行のための依存関係や状態をまとめて保持します。コンテキストには任意の Python オブジェクトを指定できます。

@dataclass
class UserContext:
    name: str
    uid: str
    is_pro_user: bool

    async def fetch_purchases() -> list[Purchase]:
        return ...

agent = Agent[UserContext](
    ...,
)

出力タイプ

デフォルトでは、エージェントはプレーンテキスト（すなわち str）の出力を生成します。特定の型の出力を生成させたい場合は、output_type パラメーターを使用します。一般的な選択肢としては Pydantic オブジェクトがありますが、Pydantic の TypeAdapter でラップできる任意の型（dataclasses、lists、TypedDict など）をサポートします。

from pydantic import BaseModel
from agents import Agent


class CalendarEvent(BaseModel):
    name: str
    date: str
    participants: list[str]

agent = Agent(
    name="Calendar extractor",
    instructions="Extract calendar events from text",
    output_type=CalendarEvent,
)

Note

output_type を渡すと、モデルは通常のプレーンテキスト応答の代わりに structured outputs を使用するように指示されます。

マルチエージェントシステムの設計パターン

マルチエージェントシステムを設計する方法は多数ありますが、一般的に広く適用できるパターンとして次の 2 つがよく見られます。

マネージャー（エージェントをツールとして）: 中央のマネージャー/オーケストレーターが、ツールとして公開された専門のサブエージェントを呼び出し、会話の制御を維持します。
ハンドオフ: ピアのエージェントが、会話を引き継ぐ専門のエージェントに制御を引き渡します。これは分散型です。

詳細はエージェント構築の実践ガイドを参照してください。

マネージャー（エージェントをツールとして）

customer_facing_agent はすべてのユーザーとのやり取りを担当し、ツールとして公開された専門のサブエージェントを呼び出します。詳しくはツールのドキュメントをご覧ください。

from agents import Agent

booking_agent = Agent(...)
refund_agent = Agent(...)

customer_facing_agent = Agent(
    name="Customer-facing agent",
    instructions=(
        "Handle all direct user communication. "
        "Call the relevant tools when specialized expertise is needed."
    ),
    tools=[
        booking_agent.as_tool(
            tool_name="booking_expert",
            tool_description="Handles booking questions and requests.",
        ),
        refund_agent.as_tool(
            tool_name="refund_expert",
            tool_description="Handles refund questions and requests.",
        )
    ],
)

ハンドオフ

ハンドオフは、エージェントが委譲できるサブエージェントです。ハンドオフが発生すると、委譲先のエージェントは会話履歴を受け取り、会話を引き継ぎます。このパターンにより、単一のタスクに秀でたモジュール式の専門エージェントを実現できます。詳しくはハンドオフのドキュメントをご覧ください。

from agents import Agent

booking_agent = Agent(...)
refund_agent = Agent(...)

triage_agent = Agent(
    name="Triage agent",
    instructions=(
        "Help the user with their questions. "
        "If they ask about booking, hand off to the booking agent. "
        "If they ask about refunds, hand off to the refund agent."
    ),
    handoffs=[booking_agent, refund_agent],
)

動的な instructions

多くの場合、エージェント作成時に instructions を指定できますが、関数を通じて動的な instructions を提供することもできます。関数はエージェントとコンテキストを受け取り、プロンプトを返す必要があります。通常の関数と async 関数のどちらも利用できます。

def dynamic_instructions(
    context: RunContextWrapper[UserContext], agent: Agent[UserContext]
) -> str:
    return f"The user's name is {context.context.name}. Help them with their questions."


agent = Agent[UserContext](
    name="Triage agent",
    instructions=dynamic_instructions,
)

ライフサイクルイベント（フック）

エージェントのライフサイクルを観測したい場合があります。例えば、イベントをログに記録したり、特定のイベントが起こった際にデータを事前取得したいときです。hooks プロパティを使ってエージェントのライフサイクルにフックできます。AgentHooks クラスをサブクラス化し、関心のあるメソッドをオーバーライドしてください。

ガードレール

ガードレールにより、エージェントの実行と並行してユーザー入力に対するチェック/検証を行い、さらにエージェントの出力が生成された際にもチェック/検証を実行できます。たとえば、ユーザーの入力やエージェントの出力が関連性のある内容かをスクリーニングできます。詳しくはガードレールのドキュメントをご覧ください。