Worker エージェントの実装

学習のねらい

前レッスンで、Orchestrator-Workers パターンにおけるタスク分解とオーケストレーターの役割について学びました。 このレッスンでは、分解されたサブタスクを実行する Worker (ワーカー) エージェント の具体的な実装方法に焦点を当てます。 「1 worker = 1 専門タスク」の原則に基づき、ワーカー間の入出力設計や再利用可能なコードの書き方を学び、効率的で保守性の高いシステムを構築することを目指します。

1 worker = 1 専門タスク の原則

ワーカーエージェントを設計する上で最も重要な原則は、「1つのワーカーは、1つの専門タスクに特化する」というものです。 これにより、各ワーカーの役割が明確になり、以下の利点が得られます。

• 責務の分離: 各ワーカーが単一の機能に集中するため、コードがシンプルになり、理解しやすくなります。
• 再利用性: 特定のタスクに特化しているため、他のオーケストレーターや異なる文脈でもワーカーを再利用しやすくなります。
• テストの容易性: 単一機能なので、テストケースを書きやすく、単体テストで品質を確保しやすくなります。
• 保守性: 特定のワーカーに変更が必要な場合でも、他のワーカーに影響を与えにくいです。

例えば、「ニュース要約ワーカー」であれば、そのワーカーの役割は「ニュース記事の URL を受け取り、記事内容を要約して返す」ことのみに限定すべきです。ニュースの収集やトレンド分析は、別のワーカーの役割となります。

Worker 間の入出力設計

ワーカーはオーケストレーターからの指示を受け、タスクを処理し、結果をオーケストレーターに返します。 この際、ワーカー間の 入出力 (Input/Output) を明確に設計することが重要です。

• 入力: ワーカーがタスクを実行するために必要な情報です。例えば、ニュース要約ワーカーであれば、要約対象となる記事の URL や、要約の長さに関する指示などが入力となります。
• 出力: ワーカーがタスクを完了した結果です。ニュース要約ワーカーであれば、生成された要約テキストがこれにあたります。

入出力の形式は、JSON のような構造化されたデータ形式を使用すると、ワーカー間でデータを渡しやすく、エラーも発生しにくくなります。 また、入力には必須の引数とオプションの引数を明確にし、出力には成功時と失敗時の両方のケースを考慮した構造を検討しましょう。

例: ニュース要約 Worker の入出力

# 入力例
{
    "article_url": "https://example.com/news/123",
    "summary_length_lines": 3 # オプション: 要約の行数
}

# 出力例 (成功時)
{
    "status": "success",
    "summary_text": "この記事は〇〇について述べています。主なポイントは△△と□□です。",
    "original_url": "https://example.com/news/123"
}

# 出力例 (失敗時)
{
    "status": "failed",
    "error_message": "記事の取得に失敗しました。",
    "original_url": "https://example.com/news/123"
}

再利用可能な書き方

ワーカーは、単なる関数やクラスとして実装されることが多いです。 今後の拡張や他のプロジェクトでの再利用を考慮し、以下の点を意識してコードを書きましょう。

• 汎用的な関数/クラス: 特定のユースケースに縛られすぎず、より汎用的に使えるように設計します。例えば、ニュース要約ワーカーであれば、特定のニュースサイトに依存せず、一般的な Web ページから記事を抽出・要約できるようにする、などです。
• 設定の外部化: LLM のモデル名、API キー、プロンプトのテンプレートなど、変更される可能性のある設定値は、コード内に直接書き込まず、環境変数や設定ファイル (.env など) を使って外部から読み込むようにします。
• ドキュメンテーション: 各ワーカーの機能、入出力、想定されるエラーケースなどを docstring やコメントで明確に記述し、他の開発者が容易に理解できるようにします。
• 型ヒントの活用: Python の typing モジュールを使った型ヒント (def summarize_article(url: str) -> str:) を積極的に活用することで、コードの可読性と保守性が向上します。

まとめ

Orchestrator-Workers パターンにおけるワーカーエージェントは、「1 worker = 1 専門タスク」の原則に従い、明確な入出力設計と再利用可能なコードを意識して実装することが重要です。 これにより、堅牢で拡張性の高い AI システムを構築できます。