AIエージェントのマルチエージェント構成｜サブエージェントと役割分担の設計

この記事の内容は、2026年10月2日に Anthropic、OpenAI、n8n、Dify の公式ページで確かめたものです。ツールの機能は更新で変わることがあります。使う前に、末尾の出典から最新の内容を確かめてください。

AIエージェントのマルチエージェント構成は、1つのAIに全部を任せず、調べる係、書く係、確かめる係のように役割を分ける作り方です。人のチームで仕事を分けるのに似ています。ただし、分けるほど良くなるわけではありません。

マルチエージェントとは

Anthropic は、マルチエージェントの仕組みを、複数のエージェントが一緒に働くものと説明しています。ここでのエージェントは、AIモデルがツールを使いながら自分で繰り返し動くものです。

Anthropic の調べものの機能は、この構成で作られています。司令役のエージェントが質問を分析して方針を決め、担当役のサブエージェントを起動します。担当役は並行して別々の観点を調べ、結果を司令役に返します。司令役は結果をまとめ、足りなければ担当役を追加します。

担当役は、それぞれ自分の文脈ウィンドウを持ちます。調べた大量の情報を、自分の中で要点に絞ってから返します。役割ごとにツールと指示を分けられるのも利点です。

1つのエージェントで足りる場合

Anthropic は、エージェントの作り方をまとめた記事で、一番簡単な方法から始め、必要な時だけ複雑にすることを勧めています。多くの用途では、AIモデルを1回呼び出し、検索や例を足すだけで足りるとしています。

マルチエージェントが向かない場面も挙げています。すべてのエージェントが同じ文脈を共有する必要がある作業や、エージェントどうしの依存が多い作業です。たとえば多くのプログラミングの作業は、調べものに比べて並行にできる部分が少ないとしています。向いているのは、並行に進められる部分が多い作業、1つの文脈ウィンドウに収まらない量の情報を扱う作業、多くの複雑なツールを使う作業です。

代表的な組み方：司令役と担当役

Anthropic の記事は、この組み方をオーケストレーター・ワーカー型と呼んでいます。中心のAIが作業を分け、担当のAIに任せ、結果をまとめます。どんな作業に分けるかを前もって決めず、入力に合わせて司令役が決めるのが特徴です。

任せ方は2通り

OpenAI Agents SDK のドキュメントは、複数のエージェントの任せ方を2つに分けています。

同じドキュメントは、2つを組み合わせられるとしています。また、流れをAIに決めさせる方法と、コードで決める方法も比べています。コードで決めると、速さ、費用、性能が予測しやすくなります。分類の結果で次のエージェントを選ぶ、前のエージェントの出力を次の入力にする、評価役が合格を出すまで繰り返す、といった組み方が挙げられています。

Claude Code のサブエージェントも同じ考え方です。本体の会話が、説明に合う作業をサブエージェントに任せ、要約だけを受け取ります。設定の書き方はAI社員をClaude Codeで作るで説明しています。

役割分担の決め方と受け渡すデータ

Anthropic の調べものの機能では、司令役が担当役に渡す指示の質が、結果を大きく左右しました。初めは短い指示だけを渡していたため、担当役が作業を取り違えたり、同じ検索を重ねたりしました。

Anthropic は、担当役への指示に次の4つを入れるよう勧めています。

1. 目的：何を明らかにするか
2. 出力の形：どんな形で返すか
3. 使うツールと情報源の案内
4. 作業の範囲：どこまでやり、どこからはやらないか

作業の大きさに合わせた担当役の数も、指示に書きます。Anthropic の例では、簡単な事実確認は1つのエージェントでツールを3〜10回呼ぶ程度でした。比べる作業は担当役を2〜4つにし、それぞれ10〜15回呼ぶ程度でした。複雑な調べものでは、10を超える担当役に、はっきり分けた役割を持たせていました。初期の版では、簡単な質問に50の担当役を起動してしまう失敗もありました。

受け渡すデータを軽くする

担当役の出力をすべて司令役の会話に流すと、情報が欠けたり、量が増えたりします。Anthropic は、担当役が成果物を外部の保存先に書き、司令役には軽い参照だけを返す形を挙げています。コードや報告書、表のように形が決まった成果物で効果があるとしています。

ツールの説明も役割分担の一部です。説明が曖昧なツールは、エージェントをまったく違う道に進ませます。ツールごとに目的を1つにし、はっきりした説明を付けます。

n8n・Difyでの組み方

n8n

n8n では、AI Agent ノードがエージェントの中心です。チャットのモデルと1つ以上のツールをつなぐと、エージェントがどのツールを呼ぶかを決めます。AI Agent ノードには、ツールのサブノードを少なくとも1つつなぐ必要があります。

複数のエージェントには AI Agent Tool ノードを使います。中心のエージェントが、ほかのエージェントをツールとして呼び出せます。担当のエージェントの Description には、何を受け持つかを具体的に書きます。中心のエージェントは、この説明を見て任せるかどうかを決めます。担当のエージェントの下に、さらに担当を重ねることもできます。最大の繰り返し回数や、主なモデルが使えない時の予備のモデルも設定できます。n8n のエージェントの作り方はn8nでAIエージェントを作るで説明しています。

Dify

Dify のワークフローでは、Question Classifier ノードで入力を分類し、分類ごとに別の流れへ送れます。分類はAIモデルが行います。それぞれの流れに Agent ノードを置くと、担当ごとに指示とツールを分けられます。Agent ノードでは最大の繰り返し回数を設定でき、無限に繰り返すのを防ぎます。

2026年10月時点でベータ版の新しい Agent は、一度作ると、単独のチャットアプリとしても、ワークフローの中の1つの手順としても使えます。公式ドキュメントは、決まった順の手順や条件の分岐が要る場合や、いくつかの専門のエージェントが作業を引き継ぎ合う場合に、ワークフローの中で使う形を挙げています。

費用と失敗の増え方に注意する

Anthropic の記事によると、同社のデータでは、エージェントはチャットのおよそ4倍、マルチエージェントの仕組みはチャットのおよそ15倍のトークンを使っていました。チャットを1とすると、エージェントは4、マルチエージェントは15です。同社は、マルチエージェントは、この費用に見合う価値のある作業で使うものだとしています。

失敗の起き方も変わります。エージェントは長く動き、多くのツール呼び出しにわたって状態を持つため、小さな誤りが積み重なります。Anthropic は、誤りが起きた時に最初からやり直すのではなく、止まったところから再開できる仕組みを作ったとしています。同じ指示でも毎回動きが変わるため、本番の動きを記録するトレースで原因を調べています。

• 繰り返しの上限を決める：n8n と Dify の Agent ノードは最大の繰り返し回数を設定できる
• 担当役の数の上限を指示に書く
• どのエージェントがどのツールを呼んだかを記録する
• 外部に書き込む操作は、隔離した環境で試してからつなぐ

販売するなら、買い手にこの費用の増え方を説明できるようにしておきます。どのAIモデルの API キーで動き、1回の実行でエージェントがいくつ動くかを、販売ページに書いておくと、買い手が利用料を見積もれます。

Employee Store は、開発者が作ったAIエージェントを、会社が買い切りや月額で導入できるマーケットプレイスです。n8n や Dify のワークフロー、自社で開発したエージェントなど、形式は問いません。掲載料と初期費用はかかりません。手数料は成約金額の20%で、成約したときだけ発生します。