AI日程調整エージェント
業務委託 | Forward Deployed Engineer
背景と課題
日程調整には「昼休みは空けたい」「この種類の会議は午前に」のような,書かれていない個人の判断基準がある.AIエージェントが対話を通じてこの暗黙の基準を学び,提案を改善できるかを確かめる技術検証(PoC)を担当した.検証の計画書を書き,実装も1人で行った.
問いの分解と検証の設計
- 問いの分解: 暗黙知の獲得(対話で引き出せるか),蓄積(構造化して保持できるか),活用(蓄えた知識で提案が良くなるか)の3要素に分け,判断基準を1対1で対応させた.
- 検証の順序: 下流の「活用」から逆順に検証し,人が用意した理想の知識を使って変数を1つずつ切り分け,各段の最良の方式を固定してから次へ進む実験計画を立てた.
- 方式の選択: 検索2方式・保存3方式を比べる計画にし,キーによる検索と構造化JSONでの保存から実装した.
- 評価: 短いPoCで統計的な有意差は出せないため,利用者によるレビューと,同じシナリオでの対話前後の比較で確かめる形にした.
処理の流れ
LangGraphで12ノードのグラフを組み,LLMを使う6つの段と,ルールで決める段,記憶の読み書き,利用者への確認を分けた.当初の構成案にあった4つの役割に,依頼文の解析と,提案の承認・却下を判定する段を足した.
- 依頼の解析と優先度の推定(LLM) → 参加者全員の空き時間の算出(ルール,祝日除外・業務時間・30分枠) → 記憶の読み込み → 好みの規則の適用(ルール) → 候補の提案(LLM).
- 確認: interrupt()で候補を利用者に示す.承認なら終了し,却下や候補なしなら質問を1〜3問選んで聞き(LLM),回答を構造化して記憶に保存し,空き時間を算出し直して提案し直す.
- 却下の理由は次の提案と質問の選択に渡す.却下理由からLLMが抜き出した日付を,コードで除外日に加え,ルールで枠を除く.
- 記憶: LangGraphのStoreに,利用者ごとの好み(1文書を深いマージで更新)と,追記だけの質疑の履歴を持つ.読み込みは参加者全員,書き込みは依頼者だけにし,複数人の条件は「会議数の上限は最も厳しい値」「昼休みは誰かが守るなら守る」のように合成する.
技術的な判断
- ルールはコードで: 昼休みの保護や会議数の上限をLLMに任せると守られ方が安定しなかったため,8つの規則をLLMの前に決定的に適用した.LLMは利用者から条件を引き出すことに集中させた.
- 質問と緩和: 6分類24個の質問テンプレートから段階的に好みを聞き,候補がないときは昼休みの利用 → 予定の移動 → 参加者の削減 → 時間の短縮 → 期限の延長の順に条件を緩める.
- 入力の防御: プロンプトに入れる値はすべてXMLタグをエスケープし,入力は10,000文字までに制限し,利用者IDの書式と解決後のパスを検査してパストラバーサルを防いだ.
- LLMの生成は1か所のファクトリーにまとめ,モデルの変更が段ごとに漏れないようにした.LLMの出力はすべてPydanticのスキーマで受ける.
検証と見つかった問題
- テスト(計数): テスト関数289件(33ファイル)と,13グループ132件のシナリオ定義を書いた(リポジトリを静的に数えた値で,実行結果ではない).シナリオのテストはカレンダーだけ差し替えて実際のグラフを動かし,API経由の出力を好みの違反(昼休み・終日の予定・時間帯)について検査する.
- 観察: 用意された確認シナリオと照らすと,初版は基本の流れしか通らなかった.原因を整理すると,最も影響が大きかったのは学習後に空き時間を算出し直していないことで,再計算の段,予定の移動,参加者ごとの空き枠,期限と時間の緩和を足した.
- 観察: 試用で「この日は除く」が無視された.依頼を構造化するスキーマに除外日の項目がなく,入口で条件が落ちていたため,項目を足してルールで枠を除き,却下理由からLLMが抜き出した日付もコードで除外日に加えるよう直した.
- クライアント様が試しやすいよう,FastAPIのAPIとNext.jsの画面を作り,Dockerでまとめて渡せる形にした.
使用技術
PythonLangGraphLangChainPydanticFastAPINext.jsReactTypeScriptFullCalendarZustandTailwind CSSpytestDocker