タスク分解の要否：Agentの意思決定プロセス

AI Agent（エージェント）がタスクを分解（Task Decomposition）すべきかどうかを判断するプロセスは、本質的にLLM（大規模言語モデル）の推論能力とシステムが事前に設定したルールを組み合わせて、意味解析と意思決定を行うことです。

このプロセスは単純な「Yes/No」のスイッチではなく、多次元的な評価プロセスです。以下に、Agentの核心的な判断ロジックとメカニズムを解説します。

Agentはまず、ユーザーのプロンプトの意味構造を分析します。プロンプトに明示的な複雑なロジックが含まれている場合、Agentはタスクを分解する傾向にあります。

多重動詞/ターゲット: 指示の中に「Aを検索して、Bを要約し、Cに送信する」といった接続詞構造（And, Then, After）が含まれている場合、それは強力な分解シグナルとなります。
抽象レベル: タスクが抽象的であればあるほど（例：「旅行の計画を立てて」）、分解が必要です。具体的であればあるほど（例：「東京行きのチケットを予約して」）、直接実行される可能性が高くなります。
暗黙の依存関係: Agentは、タスク完了に必要な情報が不足していないか評価します。次のステップ（「年齢を計算する」）を実行するために、まず情報を取得（「誕生日の検索」）しなければならない場合、分解は必須となります。

Agentは呼び出し可能なツール（Tools/Functions）のライブラリを持っています。分解するかどうかの鍵は、入力された指示が単一のツール呼び出しに直接マッピングできるかにあります。

直接マッピング: ユーザーが「今何時？」と聞き、Agentが get_current_time ツールを見つけた場合、分解せずに直接実行します。
能力のギャップ: ユーザーが「A社とB社の決算書の差異を分析して」と聞き、Agentが get_report(company) ツールしか持っていない場合、一度に「比較」を行うことは不可能です。そのため、以下のように分解が必要と判定されます。
1. get_report(A)
2. get_report(B)
3. LLMを使って2つのデータを比較する

コンテキストウィンドウの制限: タスクが膨大なデータの処理（例：「この500ページの本を要約して」）を伴い、一度の推論のコンテキストウィンドウを超える場合、Agentは戦略に基づいて**チャンキング（分割処理）**タスクとして分解します。
出力長の制限: コンテキスト制限と同様に、予想される出力が極端に長い場合、Agentは分割生成を計画することがあります。

Agentの「脳」は通常、特定のプロンプトエンジニアリング・パターンを実行して、この判断を強制的に行います。

CoT (Chain of Thought, 思考の連鎖):
- システムプロンプトには通常、「深呼吸して、ステップバイステップで考えて（Take a deep breath and think step by step.）」という指示が含まれます。
- このパターンはモデルに思考プロセスを出力させます。モデルは「独り言」の中で、「このタスクは難しすぎる。まずXをやって、次にYをやるべきだ」と自ら発見します。
ReAct (Reason + Act):
- これは「思考(Reason) -> 行動(Act) -> 観察(Observe)」のループパターンです。
- Reasonフェーズで、Agentは現在の状態が目標状態と一致しているか評価します。一致していない場合、次の具体的なサブタスク手順を生成します。
Planner-Solver アーキテクチャ:
- Agentを2つの役割に分割するアーキテクチャです。
  - Planner: 大きな目標をDAG（有向非巡回グラフ）や手順リストに分解することに特化。
  - Solver: 各ステップを実行することに特化。
- このモードでは、全ての入力タスクはデフォルトでPlannerの審査を受け、Plannerがそのまま通すか分解するかを決定します。

開発者は以下の方法で、Agentの分解傾向に介入できます。

Few-Shot Prompting (少数の事例提示): System Prompt内で例を示します。
- 例A：「1+1を計算して」 -> 直接回答。
- 例B：「スネークゲームを作って」 -> ロジック設計、UI作成、制御層の作成に分解。
閾値設定: 一部の高度なアーキテクチャでは、軽量な分類モデル（Classifier）をトレーニングし、「このタスクは複雑か」を専門に判断させます。信頼度（Confidence）が0.8を超えた場合のみ、分解フローに入ります。

Agentによる分解の判断は魔法ではなく、あらかじめ設定されたプロンプトによってLLMに自己反省（Self-Reflection）を促した結果です。

判断フロー図解: