AI Agentはどのように思考するのか？ReActとPlan-and-Execute完全ガイド

チャットボットからデジタル従業員へ — 自律型AIを支えるアーキテクチャ

最近のAIの進化に注目している方なら、Claude CodeやGitHub Copilotがどこでも使われているのをご存知でしょう。もはや数行のコードを書くだけではありません。「デジタル従業員」のように、チケットを処理し、バグを修正し、テストを実行します。この自律性を支えているのがAIエージェントです。

このガイドでは、AIエージェントが実際にどのように「思考」するのか、2つのコアパターンReAct（Reason + Act）とPlan-and-Execute（計画と実行）に焦点を当てて解説します。

---

01 | AIエージェントとは何か？

AI業界では、広く受け入れられている公式があります：

エージェント = 脳（LLM）+ 計画 + 記憶 + ツール

コンポーネント	役割
LLM（脳）	司令塔 — 論理的推論を提供
計画（Planning）	戦略 — 複雑なタスクをステップに分解
記憶（Memory）	コンテキスト — 過去の判断やユーザー設定を記憶
ツール（Tools）	手足 — API呼び出し、ファイル読み取り、コード実行

これは理論だけではありません。Claude CodeからCursor、GitHub Copilotに至るまで、主要なAIコーディングツールはすべてこのアーキテクチャの何らかのバージョンを実装しています。そして、これらのエージェントと必要なモデルを接続する最良の方法は、TokenSmindのような統合ゲートウェイです。200以上のモデル、1つのAPIキー、スマートなコスト最適化が組み込まれています。

---

02 | ReActモード：考えながら実行する

ReAct（Reason + Act）は最も広く使われているパターンです。その哲学：すべてを事前に計画せず、ステップごとに繰り返す。

仕組み

ReActループには3つのフェーズがあります：

1. 思考（Thought） — LLMが現在の状態を分析
2. 行動（Action） — どのツールを呼び出すか決定（検索、ファイル読み取り、コマンド実行など）
3. 観察（Observation） — ツールの実際の出力を受け取る
4. ループ: 観察結果をフィードバックし、思考から繰り返す
5. 終了: 目標が達成されたら、最終回答を出力

例：バグ修正

ユーザーコマンド：「ゼロ除算によるmain.pyのクラッシュを修正して」

ステップ	種類	内容
1	思考	「main.pyを読んでクラッシュ箇所を特定しよう」
2	行動	read_file("main.py")
3	観察	15行目にresult = a / b、ゼロチェックなし
4	思考	「問題を発見。ゼロ除算ガードを追加しよう」
5	行動	write_to_file("main.py", fixed_code)
6	観察	書き込み成功 ✓
最終	回答	「バグ修正完了 — 15行目に除数チェックを追加しました」

ReActの得意分野： 素早い反復、ツール多用のワークフロー、対話的なデバッグ

ReActの苦手分野： 長いマルチステップタスク（迷子になりやすい）

---

03 | Plan-and-Executeモード：まず計画し、それから実行

複雑で長期的なタスクには、ReActでは「盲人象を撫でる」ようなものです。そこでPlan-and-Executeの登場です。まず地図を作り、それから進軍します。

3ロールアーキテクチャ

このパターンは、3つの専門ロールを持つ成熟したプロジェクトチームのように機能します：

ロール	責任
プランナー（Planner）	曖昧な指示を受け取り、順序付きTODOリストに分解
実行者（Executor）	タスクを1つずつ実行（内部的には多くの場合ReActエージェント）
再計画者（Replanner）	各ステップ後に結果を評価し、必要に応じて元の計画を調整

例：市場調査レポート

ユーザーコマンド：「AI半導体市場を調査し、データソースの予算500ドル以内でサマリーレポートを作成して」

プランナーの初期計画：

1. 主要なAI半導体メーカーを特定（NVIDIA、AMD、Intel、Google TPU）
2. 公認ソースから市場規模データを取得
3. パフォーマンスベンチマークを比較
4. 価格動向を分析
5. サマリーレポートを生成

実行者がステップごとに実行。

再計画者の動的調整：

• 予想外：NVIDIAの最新決算が予想を20%上回る
• 調整：再計画者が新しいステップ「NVIDIA決算が競合環境に与える影響を分析」を追加
• 予算再評価：追加データ取得には80ドル、500ドルの予算内で問題なし

Plan-and-Executeの得意分野： リサーチプロジェクト、ソフトウェアアーキテクチャ設計、旅行計画、マルチフェーズワークフロー

Plan-and-Executeの注意点： 計画フェーズが遅く、先行してトークンを消費する

---

04 | モード比較

特性	ReAct	Plan-and-Execute
コア特性	動的、柔軟、適応的	構造化、系統的
最適な用途	頻繁なツール呼び出しを伴う短いタスク	一貫性が必要な長いワークフロー
強み	高速応答、即時エラー修正	強力な論理、迷子にならない
弱み	長い実行で迷子、トークン浪費	スロースタート、複数LLM呼び出し
使用例	Claude Codeのファイル編集	マルチエージェント研究自動化

---

05 | テクニカルベストプラクティス

構造化思考にXMLタグを使用

エージェントのシステムプロンプトで、<thought>タグと<action>タグを使って出力するよう要求します。これは単なるパースのためではありません — 行動する前にモデルに明示的に考えさせるのです。

必ずHuman-in-the-Loopを追加

危険な操作（rm -rfや未知のターミナルコマンドの実行など）には、エージェントが進む前に「人間の確認」ステップを必須にします。安全第一。

メモリを階層化

• 長期記憶： ベクターデータベースに保存（RAG）
• 短期進行状況： コンテキストキャッシュに保持
• セッション記憶： 現在のタスク状態を追跡

各タスクに適したモデルを使用

TokenSmindの統合APIを使えば、単純なタスクはGPT-4o MiniやGemini Flashなどのコスト効率の良いモデルへ、複雑な推論はGPT-5やClaude Opusへ — すべて単一の統合でルーティングできます。5種類ものAPIキーを管理する必要はもうありません。

---

06 | 大きな展望：コンテンツ生成からアクション生成へ

AIエージェントは根本的なシフトを表しています：AIはコンテンツ生成からアクション生成へと移行しています。

• ReActは俊敏性を提供 — リアルタイムで応答し修正する能力
• Plan-and-Executeは信頼性を提供 — 複雑なマルチステップミッションに取り組む構造

この2つが組み合わさって、明日のデジタルワークフォースのアーキテクチャを形成します：

• 自律的にデバッグしデプロイするAIプログラマー
• 市場を調査しレポートを書くAIアナリスト
• デプロイメントと監視を管理するAIオペレーション
• チームやツールを横断して調整するAIアシスタント

---

独自のAIエージェントを構築しませんか？ TokenSmindはインフラストラクチャを提供します：200以上のモデルへの統合APIアクセス、コスト最適化のためのスマートルーティング、エンタープライズグレードのログと請求、そして任意のエージェントフレームワークと接続する柔軟性 — すべて単一のAPIキーの背後で。

TokenSmind Blogで最初に公開されました。AIエージェントアーキテクチャと実践ガイドのさらなる深掘りをお楽しみに。