エージェント型ツールルーティング（エージェントガタツールルーティング）
LLMが利用可能な複数のツールの中から、ユーザーのリクエストに最も適したツールを自律的に選択・実行順序を決定する仕組み。単純なif-else分岐ではなく、LLMの推論能力を活用した動的なルーティングが特徴である。
エージェント型ツールルーティングとは
エージェント型ツールルーティングとは、LLMエージェントが複数の利用可能なツール群の中から、タスクの性質・コンテキスト・過去の実行結果に基づいて最適なツールを動的に選択し、適切な実行順序で呼び出す仕組みである。2024年後半からLangChain・CrewAI・AutoGenなどのエージェントフレームワークで標準的な設計パターンとして採用されている。
概要と技術的背景
従来のツール呼び出しは1回のリクエストに対して1つのツールを選択する単純なパターンが主流だった。エージェント型ツールルーティングはこれを発展させ、以下の能力を備える。
- 複数ツールの組み合わせ実行（チェイン）を自律的に計画する
- 中間結果に基づいて次のツール選択を動的に変更する
- 失敗時のフォールバックルートを推論する
- ツール間の依存関係を考慮した実行順序を決定する
- コスト・レイテンシ・精度のトレードオフを判断する
- ユーザーの意図が曖昧な場合に確認質問を挟むか判断する
ReAct（Reasoning + Acting）パターンでは、LLMが「思考→行動→観察→思考→...」のループでツール選択を繰り返す。2026年時点ではAnthropicのClaude 4 Opusが最大20ステップの連鎖的ツール呼び出しを安定して実行できる。
ルーティング戦略の分類
| 戦略 | 仕組み | 適用場面 | 精度 | レイテンシ |
|---|---|---|---|---|
| LLM推論ルーティング | LLMがツール説明を読んで選択 | 汎用・少ツール | 高 | 中 |
| セマンティックルーティング | ツール説明の埋め込みベクトルで類似検索 | 大量ツール（50+） | 中 | 低 |
| 分類器ルーティング | 専用分類モデルでツールカテゴリを予測 | 固定カテゴリ | 高 | 低 |
| ハイブリッドルーティング | セマンティック候補絞り込み→LLM最終選択 | 大規模+高精度 | 最高 | 中 |
| Plan-and-Execute | 事前に全体計画を立てて順次実行 | 複雑マルチステップ | 高 | 高 |
主要フレームワークの実装比較
| フレームワーク | ルーティング方式 | 最大ツール数 | 特徴 |
|---|---|---|---|
| LangGraph | グラフベース状態遷移 | 制限なし | 条件分岐・ループ対応 |
| CrewAI | ロールベース委譲 | エージェント単位 | マルチエージェント協調 |
| AutoGen | 会話ベース協調 | エージェント単位 | 人間介在パターン |
| Anthropic MCP | プロトコル標準化 | サーバー単位 | ツール発見の自動化 |
| OpenAI Assistants | スレッド管理型 | 128/アシスタント | ファイル検索統合 |
エラーハンドリングとフォールバック
ルーティングの信頼性を高めるため、以下のパターンが実務で使われている。
- リトライ戦略: ツール呼び出し失敗時に同じツールを再試行（最大3回）
- 代替ツール: 第一候補が失敗した場合に機能的に近い別ツールへ切り替え
- グレースフルデグレード: 外部APIが不到達の場合にLLM単体の推論で代替回答
- タイムアウト制御: ツール応答が一定時間（通常30秒）を超えた場合に中断
- コスト上限: 累積API呼び出しコストが閾値を超えた場合にループを停止
- ループ検知: 同じツールを同じ引数で繰り返し呼び出すパターンを検出して中断
よくある質問（FAQ）
Q1: ツールが100個以上ある場合のルーティング精度はどうなりますか？ A: LLM推論のみでは50個を超えると選択精度が低下する傾向がある。セマンティック検索で候補を10個程度に絞り込んでからLLMに最終選択させるハイブリッド方式が推奨される。AnthropicのMCPサーバー発見機能がこの課題への標準的なアプローチとなっている。
Q2: ルーティングのコストを最適化するにはどうすればよいですか？ A: ツール説明の簡潔化（各200トークン以下）、セマンティック事前フィルタリング、小規模モデル（Haiku 4.5相当）でのルーティング判断+大規模モデルでの最終実行という2段階構成が効果的である。これにより推論コストを40〜60%削減できる。
Q3: Plan-and-ExecuteとReActの使い分けは？ A: 事前に全体の手順が予測可能な定型タスク（データ収集→加工→レポート生成など）にはPlan-and-Executeが適する。途中結果によって次の行動が変わる探索的タスク（デバッグ、調査研究など）にはReActが適する。実務では両者を組み合わせ、大枠をPlanで決めて各ステップ内でReActを使うハイブリッドが多い。
まとめ
- エージェント型ツールルーティングはLLMの自律的なツール選択・実行順序決定の仕組み
- LLM推論・セマンティック検索・分類器のハイブリッドが大規模ツール環境での最適解
- LangGraph・CrewAI・MCPなどのフレームワークが実装を標準化
- エラーハンドリングとコスト制御がプロダクション運用の鍵