【Google GenAI】事例で学ぶ Agentspace カスタムエージェント：AI によるコンテンツ監査と研究支援の活用術

LLM Auditor Agent

LLM Auditor は、大規模言語モデル（LLM）が生成した回答の事実確認を行う AI エージェントです。LLM の出力から主張を特定し、ウェブ検索や自身の知識を用いて、その内容が事実に基づいているかを自動で検証します。これにより、LLM の回答の信頼性を高める役割を果たします。
このシステムは、以下の構成で処理を実行します。

1. ユーザーリクエストの受付:「 llm_auditor 」にてユーザーからの指示を受け取り、LLM に回答を生成させ、その回答を検証するために次のステップに進めます。
2. 主張の特定と事実確認: 「 llm_auditor 」から受け取ったLLMの回答を分析し、主張の特定を行います。「 critic_agent 」で「 Google Search 」という外部ツールと連携し、抜き出した主張が正しいかどうかをウェブで検索し、事実の確認を行います。
3. レポートの作成: 確認結果をまとめた詳細なレポートを作成し、「 llm_auditor 」に返します。このレポートには、特定された主張とその正誤が明記されます。
4. 回答の修正: 間違いが見つかった場合は、「 reviser_agent 」検証結果に基づいて元の回答を修正し、正確な内容に書き換えます。

では、実際に構築した LLM Auditor を動かしてみましょう。

以下の質問をしてみます。
「ソフトバンクグループの事業内容は、主に携帯電話などの国内通信事業である。」

すると上記の画像のように、正しいかどうかを分析し、「国内の通信事業に留まらず、より多角化しています。」と基軸となる４つの事業をまとめ、回答を生成してくれました。

LLM Auditor Agent の活用シナリオ

では、この機能は具体的にどのような場面で役立つのでしょうか。
いくつかの活用シナリオを考えてみました。

社内Q&Aシステムの回答検証: 従業員が社内規定や業務プロセスについて質問した際、回答の正確性を自動でチェックし、誤った情報が広まるのを防ぐことができます。

コンテンツ監査: 製品説明や広告文、ブログ記事などの草稿をレビューし、事実の不正確さを指摘します。これにより、出版前のコンテンツの事実の整合性を確保します。

教材作成: LLM が生成した学習教材やクイズの回答が、教科書や公式な情報源と一致しているかを確認します。これにより、学習者に誤った知識を教えるリスクを回避できます。

大規模言語モデル（LLM）の回答を検証する LLM Auditor Agent は、将来的にエージェントが他のエージェントを呼び出すようなマルチエージェント構成において、他のエージェントが生成した回答や情報を Auditor Agent が監査役として、回答の正確性を判定します。不正確な箇所を特定して文章を修正し返すことで、システム全体の信頼性の向上に大きく貢献することが期待されます。

Academic Coordinator Agent

続いて、Academic Coordinator Agent は、研究者が最新の学術的論文を特定し、新たな研究領域を発見できるよう支援するための AI エージェントです。文献レビューや知識発見の主要な側面を自動化することで、研究者が常に研究分野の最前線にいられるようにサポートしてくれます。
このシステムは、以下の構成で処理を実行します。

1. ユーザーリクエストの受付:「 academic_coordinator 」にてユーザーからの指示を受け取り、ウェブ上で関連情報を収集する必要があると判断し次のステップに進めます。
2. 情報の収集: 「 academic_websearch_agent 」で 学術的な情報や論文をインターネット上で検索し、その論文を引用している最新の学術論文やその概要を収集します。
3. 分析と将来の研究方向性を提案: 「 academic_newresearch_agent 」では、集められた論文データを分析し、共通するテーマや頻出する概念を特定します。元の論文の分析と、引用論文から得られた知見を統合・分析することで、将来有望な研究の方向性を提案します。

では、実際に構築した Academic Coordinator Agent を動かしてみましょう。
調べたい論文ファイルをアップロードし、「この論文を分析して。」と質問してみます。

すると、アップロードした論文の内容を分析してくれます。

さらに、回答の最後には「次に、この研究を引用している最近の学術論文を検索し、この分野の研究がどのように進展しているかを確認します。」とあるので、「続けて」と入力すると、将来の研究方向性を提案してくれました。

Academic Coordinator Agent の活用シナリオ

では、この機能は具体的にどのような場面で役立つのでしょうか。
いくつかの活用シナリオを考えてみました。

論文執筆のアシスタント: 論文を執筆中、特定の概念や先行研究の引用が足りないと感じたときに、特定されたキーワードに基づき、適切に引用すべき論文を検索し、効率的に文献を補完できます。

新規プロジェクトの文献調査: 研究者が新しいプロジェクトを始める際、最新の先行研究を網羅的に知り、将来有望な研究内容の提案を受けることができます。

共同研究パートナーの発見: 特定の研究分野で、特に頻繁に論文を共著している研究者や研究機関を分析し、共同研究が可能なパートナーを探せます。

終わりに

いかがでしたでしょうか？

Agentspace は、今回紹介した事例のように、Agent Development Kit (ADK) や Agent Garden を活用することで、ニーズに合わせて柔軟にカスタムエージェントを素早く作成することができます。これにより、Agentspace は単なる情報検索ツールを超え、組織独自の課題を解決する強力な AI アシスタントへと進化させることが可能です。

AI 技術がますます発展する中、Agentspace がもたらす影響は、業務の効率化だけでなく、新しい価値創造へとつながっていくでしょう。
 

ぜひ、皆さまも Agentspace の活用を検討し、AI が拓く新たな可能性を体験してみてください。

 

関連サービス