AgentRun、エージェンティックなワークフローを最適化しトークンコストを削減するオープンソースプラットフォームを公開

AgentRunは、AIエージェントが同じタスクを繰り返し実行することによる非効率性、すなわち高いトークンコストと冗長な計画の問題を解決するために設計されたオープンソースプラットフォームを公開しました。自己改善レイヤーと分離されたコンピューティングアーキテクチャを導入することで、このプラットフォームはエージェントが過去の実行から「学習」することを可能にし、特定の要件がある場合にのみ高価なハードウェアを利用できるようにします。

反復問題の解決

標準的なエージェントハーネスは、問題が解決されるまでループするように構築されることが多く、その結果、エージェントが慣れ親しんだタスクを実行するたびに、同じAPIやドキュメントを「再発見」してしまうことがあります。AgentRunは、エージェントが実行後にメモ、ヒント、および成功した戦略を残せるようにすることで、この問題に対処します。

時間の経過とともに、このプラットフォームはエージェントをループベースのアプローチから、ワークフローDSLで記述された一般的なソリューションへと移行させるのに役立ちます。これにより、エージェントは毎回プロセス全体をゼロから計画するのではなく、将来の実行でワークフローを再利用できるようになります。

「それはアインシュタインに書類の山を渡すようなものです。彼はそれをやり遂げますが、毎回すべてのフォームについて深く考えます。」

— Introducing AgentRun: Run smarter agents. Use fewer tokens.

「トレインネットワーク」コンピューティングモデル

AgentRunは、エージェントのロジックを安価なNodeランナーで実行することで、エージェントの「脳」と「手」を分離します。このランナーは数百のループを同時に管理し、特定のツール呼び出しが必要な場合にのみ、GPUを搭載したVMや永続的なAndroidスマートフォンなどの「コンピュータ」に接続します。

このアーキテクチャは、エージェントが旅の各区間に対して適切な「列車」を選択する鉄道網のように機能します。例えば、ファイルを読むために小さなローカルランナーを使用し、モデルの微調整（ファインチューニング）の時だけ「新幹線」（高性能GPU）に切り替えることで、多段階の操作におけるコストを大幅に抑えることができます。

このビジュアルは、エージェントがワークフローの特定の部分に対して最も効率的なハードウェアを選択する、分離されたコンピューティングアーキテクチャを説明しています。

ワークフロー vs エージェント

このプラットフォームは、多くのタスクが実際には完全なエージェンティックなループを必要としないことを特定しています。AgentRunでは、ユーザーが意思決定を行ったり、データを分類したり、Webリサーチなどの特定のステップのために小さなサブエージェントを実行したりできるワークフローを構築できます。

Webに基づいた意思決定を使用することで、これらのワークフローは完全なエージェントを使用するよりもはるかに低いコストでWeb上の事実を確認できます。プラットフォームには、ユーザーがこれらのワークフローの実行をノードごとに監視し、一時停止し、すべての意思決定ポイントを検査できるビジュアライザーが含まれています。

このスクリーンショットは、複雑なワークフローを視覚化し、その進捗をリアルタイムで監視するプラットフォームの能力を示しています。

制限事項と統合

AgentRunはAgent Client Protocolを介してさまざまなハーネスをサポートしていますが、現在のドキュメントでは、TemporalやAirflowなどの他のエンジンと比較したワークフローDSLの具体的なパフォーマンス向上については詳述されていません。さらに、プラットフォームは比較コストチャートを提供していますが、その「オンデマンド」コンピュータの正確な価格は、選択された特定のハードウェアに基づいて変動します。

このチャートは、プラットフォームのワークフローベースのアプローチが、標準的なエージェンティックなループと比較してトークンコストを劇的に削減できるという主張を裏付けています。