AIエージェントの用語は、「指示を受ける」「外部機能で調べる・操作する」「必要な情報を保つ」「人が確認する」という実行の流れで整理すると理解しやすくなります。MCPは接続の規格、メモリは情報を保持・再利用する仕組み、人の承認は実行を進めるか判断する工程であり、それぞれ役割が異なります。
この記事は、AIエージェントの説明資料を読む方や、業務で任せる範囲を考えたい方に向けた用語の関係図です。公開情報から比較メモを作る例を通して、ツール利用、コンテキスト、Computer Use、監視・評価までをつなげて解説します。
AIエージェントの用語関係図｜一つの仕事の流れで捉える
AIエージェントは、目標に向けて次の行動を選び、ツールの実行結果を受け取りながら作業を進めるシステムです。すべての製品が同じ構成や自動化範囲を持つわけではありません。
| 実行の場面 | 主な用語 | 確認したいこと |
|---|---|---|
| 仕事を受ける | 指示・プロンプト・計画 | 何を作り、どこで完了するか |
| 情報取得や操作をする | ツール利用・API・MCP | どの機能に接続し、何を実行できるか |
| 前提と途中結果を使う | コンテキスト・メモリ | 今回使う情報と次回に残す情報は何か |
| 画面を操作する | Computer Use | どの画面と操作を許可するか |
| 作業を分担する | オーケストレーション・マルチエージェント | 順序、担当、結果の統合を誰が決めるか |
| 実行を制御する | ガードレール・Human in the Loop | 何を止め、誰が承認するか |
| 状態と品質を調べる | 監視・トレース・Evals | 実際に何が起き、目的を満たしたか |
この並びは理解のための整理です。実際には、情報を取得するたびにコンテキストが変わり、途中で人に確認したり、前の工程へ戻ったりします。監視も最後に一度だけ行うとは限らず、実行中から必要になります。
まず全体像を知りたい場合は、AIエージェントの基本を確認すると、個々の用語の位置付けをつかみやすくなります。
一貫した具体例で読み進める
本記事では「公開資料を調べ、指定された3社のサービスを比較し、社内共有用メモの下書きを作る」という架空の業務を使います。これは仕組みを説明するための例で、特定製品で実施した体験や性能測定ではありません。
依頼の完了条件を「出典付きの下書きを担当者へ見せる」とした場合、メール送信や社内サイトへの公開は別の操作です。文章を作れたこと、保存できたこと、共有できたことを分けて考えると、後に出てくる用語が実務と結び付きます。
指示・計画｜目的と完了条件を決める
指示はエージェントが守る目的や条件を伝えるもの、計画はそれをどの順番で進めるかという作業の組み立てです。指示を詳しく書いても、利用できるデータや実行権限が自動的に増えるわけではありません。
プロンプトと指示には役割・制約も含まれる
プロンプトはモデルに与える入力を指す言葉です。エージェントの文脈では、その場の依頼に加えて、役割、使う資料、出力形式、避ける行動などの継続的な指示も重要になります。
OpenAI Agents SDKでは、エージェントを構成する要素としてモデル、instructions、toolsなどが扱われます。ただし、instructionsという設定名や配置場所は製品・開発環境ごとの仕様です。「エージェント用の指示」という一般概念と、特定SDKの項目名を区別して読みましょう。
比較メモの例なら、次のように依頼を具体化できます。
- 対象：指定した3社の公式公開資料
- 比較軸：対象業務、主な機能、導入時に確認する条件
- 出力：出典URLと確認日を添えた比較メモ
- 不明な情報：推測で埋めず、不明と分かる表現にする
- 完了条件：下書きを提示し、共有操作の前で止まる
計画・ワークフロー・エージェントループの違い
計画は作業の見通しです。ワークフローは処理の順序や分岐をあらかじめ組み立てる考え方で、エージェントループは結果を観察しながら次の行動を選ぶ反復を指します。
Anthropicは、決められた経路でモデルとツールを動かすワークフローと、モデルが動的に手順やツール利用を選ぶエージェントを区別しています。実務では両方を組み合わせることもできます。
たとえば、「比較項目は固定するが、不足する公式資料の探し方はAIが選ぶ」という構成です。一度立てた計画を絶対視せず、見つからない情報があれば不足として報告する道を用意します。
ツール利用・API・MCP｜行動と接続の役割を分ける
ツール利用は外部機能を使うこと、APIはソフトウェア間で機能やデータをやり取りする窓口、MCPはAIアプリと外部のツール・データをつなぐための共通プロトコルです。三つは一つの処理の中で組み合わせられます。
ツール呼び出しは「依頼・実行・結果」の往復
ツール利用では、モデルが検索や計算などの機能を選び、必要な入力を指定します。Function Callingは、関数名や引数を構造化してモデルから受け取るための仕組みとして使われます。
OpenAIのFunction callingガイドが示す基本的な流れは、利用可能なツールを渡す、呼び出しを受け取る、アプリ側で実行する、結果をモデルへ返す、回答または次の呼び出しへ進む、という往復です。
したがって、「検索ツールを呼ぶと判断した」と「必要な資料を取得できた」は別です。取得失敗、権限不足、該当データなしといった結果も受け取り、その後の判断に使う必要があります。
MCPはAPIを一律に置き換えるものではない
MCPはModel Context Protocolの略です。公式資料では、AIアプリに当たるホスト、接続を担うクライアント、機能や情報を提供するサーバーという構成で説明されています。
MCPサーバーの内側から既存サービスのAPIを呼び出す構成も可能です。比較メモの例なら、AIアプリがMCP経由で検索機能を見つけ、その機能が外部サービスへ問い合わせ、結果を戻すという関係になります。
また、MCPが定めるのは主に接続と情報交換です。どのモデルを選ぶか、何を記憶するか、どこまで自動実行するかまで、MCPだけで一律に決まるわけではありません。
Tools・Resources・Promptsを混同しない
MCP公式のサーバー機能には、主に次の三つがあります。
- Tools：検索やファイル操作など、実行できる機能
- Resources：モデルの判断材料として渡すデータや資料
- Prompts：やり取りの形を整える再利用可能なテンプレート
「MCP対応」と書かれた製品でも、利用できる機能や対応範囲は確認が必要です。接続できることに加え、読み取りだけか書き込みもできるか、対象データは何か、承認画面があるかを確認すると、実行できる範囲が見えてきます。
メモリ・コンテキスト｜今使う情報と残す情報を分ける
コンテキストは、その時点でモデルが判断に使う情報です。メモリは、過去の情報を保持し、後の処理で再利用する仕組みを指します。保存しただけで毎回すべての情報がモデルに渡るとは限りません。
コンテキストは今回の作業机に載っている情報
比較メモを作るときのコンテキストには、依頼文、比較軸、取得した公式資料、直前の検索結果などが入ります。長い資料を大量に渡せば十分とは限りません。対象外の情報や古い条件が混ざると、必要な箇所を扱いにくくなります。
コンテキストエンジニアリングは、指示だけでなく、ツールの説明や履歴、取得データも含め、モデルに渡す情報を整える考え方です。必要な情報を選ぶこと、出典を残すこと、古い情報を区別することが重要になります。
メモリは取り出す仕組みと更新ルールまで考える
メモリには、会話の要点、作業の進捗、継続的に使う条件などを残す設計があります。外部に保存した情報を、必要な場面で再びコンテキストへ取り込む形も使われます。
比較メモで持ち越すなら、「採用した比較軸」「未確認の項目」「参照した公式URLと確認日」などが候補です。一方、先月の料金を無条件に再利用すると、最新の比較にならないおそれがあります。
保存先、保存期間、閲覧できる人、修正・削除の方法、再確認するタイミングを決めておきましょう。「メモリがある」という名称だけでは、保存内容や取り出し方は分かりません。製品のメモリ機能と、開発者が実装する情報保存の仕組みも同一ではありません。
履歴の要約と外部保存にも違いがある
コンパクションは、長くなった会話などを要約し、限られたコンテキストを扱いやすくする手法です。重要な条件が落ちる可能性もあるため、要約後に目的や未解決事項が残っているか確認します。
比較メモの例では、「調査済み」という短い記録よりも、「機能は確認済み、契約条件は未確認」と残すほうが、次の処理で再調査すべき箇所を判断しやすくなります。これは運用上の整理例であり、すべてのAI製品が同じ記録を自動作成するという意味ではありません。
Computer Use｜画面を見て操作する経路
Computer Useは、AIが画面の情報を基に、クリックや文字入力などのGUI操作を行う仕組みです。APIでデータを直接やり取りする場合とは、操作対象と確認方法が変わります。
Computer Useの基本を押さえると、ツール利用の一つの形として理解できます。モデルが操作内容を返し、実行環境が操作し、新しい画面や結果をモデルへ返す、という反復が代表的です。
比較メモの例では、許可されたブラウザ上で公式資料を開いたり、社内文書の画面へ下書きを入力したりする用途が考えられます。ただし、画面の変更、ポップアップ、表示位置のずれなどを考慮し、入力先と保存結果を確認する必要があります。
OpenAIの公式ガイドは、利用環境や操作を限定すること、画面の内容をそのまま権限の根拠にしないこと、影響の大きい操作の確認、実行結果の検証を挙げています。送信ボタンを押せることと、押してよいことは分けて設計します。
オーケストレーションとマルチエージェント｜順序と分担を管理する
オーケストレーションは、処理やエージェントをどの順序で動かし、結果をどうつなぐかという制御です。マルチエージェントは、複数のエージェントが役割分担する構成を指します。
比較対象の3社を別々に調べ、最後に一つのメモへまとめる場合を考えましょう。各社の調査担当を分けることがマルチエージェントの構成例です。調査の開始、完了待ち、情報不足の扱い、比較表への統合を管理する部分がオーケストレーションに当たります。
並列化とハンドオフは異なる動き
並列化は、互いの結果を待たずに進められる作業を同時に動かすことです。ハンドオフは、別の担当へ処理や会話を引き継ぐことを指します。
たとえばOpenAI Agents SDKでは、管理役が専門エージェントをツールとして呼ぶ構成と、専門エージェントへ会話の担当を移す構成が区別されています。この具体的な制御方法はSDKの仕様であり、一般的な役割分担の考え方とは分けて確認します。
オーケストレーションを考えるときは、担当名よりも入出力に注目しましょう。「各担当は出典URL・確認日・未確認項目を返す」とそろえておくと、統合時の比較軸がぶれにくくなります。
分担を増やす前に統合と失敗時の扱いを決める
複数の担当が異なる日付の資料を参照すると、条件がそろわない場合があります。また、一社の調査だけ失敗したとき、残る二社で完成扱いにするかどうかも決める必要があります。
小さな依頼なら、一つのエージェントと明確な手順で足りる場合もあります。分担で得られる利点と、引き継ぎ・待ち時間・結果確認の負担を見比べ、必要な範囲から増やすのが現実的です。
ガードレール・人の確認｜何を止めて誰が判断するか
ガードレールは入力・出力・ツール実行などを制約する仕組みで、人の確認は担当者が内容や影響を見て判断する工程です。両方を組み合わせても、誤りや情報漏えいが完全になくなるわけではありません。
ガードレールは検査項目と適用箇所を具体化する
ガードレールには、対象外の操作を制限する、出力形式を検査する、機密情報の混入を確認する、といった設計があります。モデルへの文章の指示に加えて、アプリ側の権限や入力検証も考える必要があります。
比較メモの例なら、公開資料だけを対象にする、閲覧用の接続に絞る、共有前に止める、といった範囲を決めます。何を検査するか曖昧なまま「安全機能あり」と評価することは避けましょう。
特に、読んだWebページや文書に不正な命令が混ざり、AIの動作を誘導するプロンプトインジェクションに注意が必要です。外部資料に「別の場所へデータを送れ」と書かれていても、それを業務上の依頼として実行しない設計が求められます。
Human in the Loopは承認のために止まれる設計
Human in the Loopは、AIの処理や判断に人が関与する設計です。エージェントでは、操作前に停止し、人が承認・却下・修正を選べる形が一例です。
確認画面には、「実行してよいですか」という質問だけでなく、対象、内容、宛先、変更範囲、想定される影響を表示すると判断しやすくなります。比較メモを共有するなら、本文、共有先、添付、含まれる情報を確認します。
承認待ちの間に内容が変わる場合もあります。確認した版と実行する版を一致させ、修正後の内容や別の宛先に、古い承認をそのまま流用しないようにします。これは人の注意力だけに頼らず、実行対象と確認結果を結び付けるための運用例です。
確認・承認・実行完了を別々に記録する
内容を読んだこと、実行を承認したこと、処理が完了したことは、それぞれ異なる状態です。承認後に保存が失敗することもあるため、最後はツール結果や保存先の実際の状態を確認します。
却下された場合は、修正して再提示するか、そこで終了するかを明確にします。止まる条件があることで、情報不足や想定外の状況を無理に成功扱いすることを避けられます。
監視・評価｜動いた記録と仕事の品質を確かめる
監視は処理の状態や異常を追うこと、評価は決めた基準に照らして仕事の品質を判断することです。どちらも、エージェントが「完了」と答えたかだけでは判断できません。
ログ・トレース・オブザーバビリティ
ログは出来事の記録、トレースは一連の処理をつなげて追う記録です。オブザーバビリティは、それらを使って内部の状態や問題を把握できる性質・仕組みを指します。
OpenAI Agents SDKのトレースでは、モデルの呼び出し、関数ツール、ガードレール、引き継ぎなどを記録できます。記録には入力や出力の機密情報が含まれる可能性もあるため、保存項目や閲覧権限の検討が必要です。
比較メモなら、参照したURL、取得の成否、作成した版、人の確認結果を追えると、古い情報がどこで混ざったかを調べやすくなります。ただし、記録を集めるだけで誤りが自動修正されるわけではありません。
Evalsは結果だけでなく途中の判断も見る
Evalsは、テスト用の入力や評価基準を使い、AIシステムの品質を確かめる取り組みです。エージェントでは最終回答に加え、適切なツール選択、引き継ぎ、指示への適合も評価対象になります。
比較メモの評価項目は、次のように具体化できます。
- 3社を同じ比較軸と確認時点で扱っているか
- 各主張を公式資料で確かめられるか
- 不明な情報を推測で補っていないか
- 下書きの依頼から共有操作へ勝手に進んでいないか
- 資料が取得できないケースでも適切に止まれるか
見栄えのよい文章でも、必要な承認を飛ばせば業務上は不合格です。通常の入力だけでなく、情報不足やツール失敗の例も用意しておくと、運用時の弱点を見つけやすくなります。
AIの仕事活用を学ぶならスクールも選択肢
用語を理解した後、仕事や副業で使う具体的な課題を練習したい場合は、教材や質問環境を活用する方法もあります。以下の3校の案内から、AIエージェントや業務活用を扱う範囲、制作課題、質問対応を確認しましょう。
PR｜無料セミナーには有料サービスの案内が含まれます。
受講料に加え、ツール費、契約期間、支援の対象・条件を確認しましょう。受講によって受注や収入が保証されるものではありません。
学ぶ順番・FAQ｜自分の業務に当てはめて理解する
最初は「何を頼み、何を使い、何を残し、どこで人が確認するか」を説明できれば十分です。その後、分担や監視の仕組みへ進むと、単語を暗記するだけの学習になりにくくなります。
学習の順番は、指示とツール利用、コンテキストとメモリ、人の確認、オーケストレーション、監視・評価の順がおすすめです。Computer Useは、画面操作が必要な業務と結び付けて学ぶと理解しやすくなります。
MCPを使えばAIエージェントになりますか？
MCPは外部の機能や情報へ接続するための規格です。MCPを採用しただけで、目標の設定、計画、反復実行、完了判断まで自動的に備わるわけではありません。接続方法と、作業を進める仕組みを分けて確認します。
コンテキストとメモリは同じものですか？
コンテキストは今回の判断で使う情報、メモリは後で再利用するために保持する情報や仕組みです。保存された情報の一部を取り出して、今回のコンテキストへ加える関係があります。保存した情報が必ず使われるとは限りません。
Computer UseとAPIはどちらが優れていますか？
対象のサービス、許可された接続方法、必要な操作によって選びます。APIは機能をプログラムから扱い、Computer Useは画面を介して操作します。業務全体で両方を使う場合もあり、どちらでも権限と結果の確認が必要です。
マルチエージェントなら精度は必ず上がりますか？
必ず上がるとはいえません。分担が適している仕事もありますが、情報の食い違いや統合の失敗も起こり得ます。同じ評価基準で、一つのエージェントの構成と比較して判断しましょう。
ガードレールがあれば人の確認は不要ですか？
一律に不要にはできません。操作の影響、扱うデータ、誤りから戻せるかを踏まえて確認箇所を決めます。承認が必要な処理は、実行前に停止し、対象や内容を人が判断できる仕組みが必要です。
まとめ｜用語を「任せる範囲」の説明に使う
AIエージェントの用語は、指示から実行、情報の保持、人の確認、結果の検証へとつなげると、役割が見えてきます。MCPやメモリという機能名だけで、自動化の程度や安全性を判断しないことが大切です。
自分の業務について、使うツール、参照する情報、保存する内容、止まる条件、確認する担当者を書き出してみましょう。分からない用語をその工程に置いて調べれば、製品の説明を読み比べるときにも、具体的な確認事項を見つけられます。
関連用語・あわせて読みたい記事
出典・参考情報
用語の関係は以下の公式一次資料に基づき整理しています。比較メモの業務例、確認項目、学習の順番は編集部による説明例です。製品固有の設定方法や対応範囲は変更されるため、導入時に最新の公式資料を確認してください。
情報確認日：2026年10月13日
- Anthropic「Building effective agents」：ワークフローとエージェント、反復と停止条件。
- OpenAI Agents SDK「Agents」：instructions・toolsなどの構成要素。
- OpenAI「Function calling」：呼び出し・アプリ側実行・結果返却の流れ。
- Model Context Protocol「Architecture overview」：MCPの対象範囲とホスト・クライアント・サーバー。
- Model Context Protocol「Understanding MCP servers」：Tools・Resources・Promptsと利用者の制御。
- Anthropic「Effective context engineering for AI agents」：コンテキスト、要約、情報の保存と再利用。
- OpenAI「Computer use」：画面操作のループ、環境制限、確認と結果検証。
- OpenAI Agents SDK「Agent orchestration」：制御方法、専門エージェントの呼び出しとハンドオフ。
- OpenAI「Safety in building agents」：プロンプトインジェクション、情報漏えい、対策の限界。製品固有の導入手順は本記事の対象外。
- OpenAI Agents SDK「Human-in-the-loop」：承認・却下のための停止と再開。
- OpenAI Agents SDK「Tracing」：処理の追跡と記録に含まれる機密情報への注意。
- OpenAI「Evaluate agent workflows」：トレース、評価基準、データセットを使った評価。
