エージェントラボ:代役のモデルを相手に、ツールを使う AI エージェントのループを書く
このラボでは、Python で手書きした AI エージェントを生徒ひとりひとりに渡し、読んで、動かして、書き換えてもらいます。エージェントの中心はループです。会話とツールの一覧を言語モデルに送り、モデルが求めたツールを実行し、その結果を送り返します。生徒はツールのスキーマ、止まる条件とステップの上限、エラーと再試行、記憶、作業を何回かのターンに分ける計画、ガードレール、採点されるトレースを学びます。
モデルは本物ではなく代役で、ラボはどこでもそう伝えます。本物のモデル API と同じ形式で答えますが、返答はすべて決まった規則で選び、1ターンに呼ぶツールは1つだけです。そのため、同じ質問にはいつも同じ答えが返ります。何もダウンロードせず、AI サービスも呼ばず、費用もかかりません。ツールも決まったデータで動く見せかけのもので、どのコピーもインターネットにも、ほかの生徒にもつながりません。
生徒が学ぶこと
エージェントの中身です。モデルが言葉ではなくツール呼び出しで答えるのを見て、そのツールを自分で実行し、"Rain, 9 C" を送り返します。17のメッセージを共有する5つのターンでループを追い、ツールを必ず呼ぶように強いられたモデルが、ステップの上限によって3ステップで止められるのを見ます。3つの手順の計画を、3つのターンで進めます。失敗したツールは言葉として返り、混み合っているモデルには、待つ時間を延ばしながらもう一度頼みます。許可リストが削除を断るのを見て、メールに隠れた指示が、プログラムがそれをユーザーの言葉として貼り込んだときだけ従われることを確かめます。最後にトレースを記録し、4つのテストケースでエージェントを採点すると、4つ中3つが合格します。ソフトウェア開発や応用 AI の講座に向いています。正確な文言は、お使いの資格団体の単元で確認してください。ここには引用していません。
AI コーディングエージェントのラボとの違い
AI コーディングエージェントのラボでは、できあがったエージェント opencode を生徒に渡し、プログラムの作業をいっしょに進めます。このラボはその反対側です。生徒はエージェントそのもの、約120行の Python を読んで書き換えるので、ループもツールもガードレールも目に見えるコードです。モデル API だけを扱う LLM ワークベンチのラボを先にやっておくとよいでしょう。
ブラウザーで実行する
ラボはサービスを2つ起動します。model は代役のモデルで、ラボの中の http://model:4000/v1 で答えます。tools は Python の入ったサービスで、エージェントのループと見せかけのツールを持つ agent.py、小さなクライアントの llm.py、ひとつの考え方ずつを見せる短いスクリプトのフォルダー steps/ があります。ラボの横のターミナルには curl があり、Python はないので、スクリプトには docker exec tools を使って届きます。
- コンテナーのページを開く. バーの「つくる」を開き、「コンテナーを実行」を選びます。ページは誰でも開けて、Git ラボと SQL ラボはアカウントなしで起動できます。ほかのラボには無料アカウントが必要です。アカウントを作成してサインインし、「起動」を押します。
- ラボを探す. 「サンプルラボ」のカードにすべてのサンプルが並んでいます。エージェントラボ:ツールを使うAIエージェントのループを書くを探します。
- 「起動」を押す. 「起動」はそのまま1回の操作で実行します。「先にファイルを編集」は compose ファイルを開くので、起動する前に変更できます。
- 開く. ラボのページで「ターミナルを開く」を押し、docker exec tools python3 steps/onecall.py と入力すると、手で行うツール呼び出しが1回見られます。次に docker exec tools python3 steps/loop.py と入力して、ループの動きを見ます。
生徒に提出してもらうもの
自分で1か所変更した agent.py を提出してもらいます。スキーマつきの新しいツール、より厳しい許可リスト、steps/trace.py の新しいテストケースのどれかです。あわせて、その変更が分かるステップの出力と、本物のモデルなら何が違いそうかを書いた一文を出してもらいます。自動では採点されません。この一文が、理解できたかどうかを示します。
このラボの基本レッスン
Agent Loop Basics は、このラボで進める小さなレッスンです。生徒は通信の中のツール呼び出しを見て、1回を手で実行し、ループとステップの上限を追い、計画を何回かのターンで進め、エラーを扱い、ガードレールを試し、トレースを採点します。
無料の個人アカウントでは「ホーム」にある Basics モジュールに入っていて、どの学校もライブラリーの Basics フォルダーからコピーできます。あえて小さくしてあり、ラボで進めるレッスンがどういうものかを先生に見せる役目です。あとはラボが受け持ちます。変更したいときは、自分のモジュールにコピーしてください。
GitHub のコード
compose ファイルには Dockerfile がありません。公開されている既存のイメージ、Alpine 上の Python 3.12 をひとつだけ使い、正確なタグに固定して2回起動します。どちらも権限のない専用アカウントとメモリ 64 MB で動きます。イメージのライセンスは PSF で、私たちは再配布していません。起動のたびに、代役のモデル、エージェント、スクリプトを固定の文章から書き出し、Python の標準ライブラリーだけを使うので、何もダウンロードされません。ラボを止めると何も残らないので、生徒は先に自分の agent.py をコピーしておきます。
課題として出す
何を提出するかを課題に書いておきます。
- ラボを作る. モジュールで課題を追加し、「コンテナーラボ」のカードを選んでから「GitHub リポジトリ」を選びます。https://github.com/mitsurutech/lab-agent-lab とブランチ main を指定します。compose ファイルは既定の compose.yaml です。変更したい場合は、たとえばエージェントに自分で考えたツールを持たせるときは、先にリポジトリをフォークしてください。
- 公開して試す. 「公開」すると、確認したコミットに固定されるので、あとでリポジトリを変更しても、すでに出したラボは変わりません。まず自分のコピーを起動してください。
- 配布する. ほかの課題と同じように配布します。期限を付けることもでき、課題には何をするか、何を提出するかを書いておきます。
- 提出物を採点する. 生徒のコピーを開いて提出された内容を確認し、採点します。足りない場合は理由を書いて差し戻します。
このラボを試す、そして費用
無料の個人アカウントで、このラボの基本レッスンに取り組めます。毎月、ほとんどのレッスンに足りる無料クレジットがあり、カードは要りません。クラスで使う場合、学校は最初の365日間、生徒50人まで無料で、その後は生徒1人あたりの年額です。すべてのラボが含まれ、教職員は無料です。
よくある質問
- このラボに本物の AI モデルは入っていますか。
- いいえ。モデルはこのラボのために書いた代役で、決まった規則で返答を選ぶ短い Python のプログラムです。ツール呼び出しも含めて本物のモデル API と同じ形式で答えるので、生徒が書くエージェントのループは、本物のモデルを相手にしても同じように動きます。同じ質問にはいつも同じ答えを返すので、生徒に何が表示されるかをレッスンに書けます。
- ツールが2つ必要な質問なのに、エージェントが1つしか呼ばないのはなぜですか。
- 代役のモデルは1ターンにツールを1つ呼び、そのあと答えを伝えます。本物のモデルは続けていくつも呼ぶことがあります。ラボはこれをわざと使っています。テストケースが1つこのために失敗し、計画のステップがその直し方、つまり大きな作業を何回かのターンに分けてエージェントに渡す方法を見せます。
- プロンプトインジェクションの部分を教えても安全ですか。
- はい。見せかけのデータの上で、守る側の考え方として教えます。受信箱は決まったメール1通、ファイルは Python の辞書なので、本物のものは何も読まず、何も消しません。生徒は、ツールの結果をデータのままにしておくべき理由と、どのツールを実行してよいかをモデルではなくコードが決めるべき理由を学びます。代役のモデルはツールの結果の中の文に決して従いませんが、本物のモデルは従うかもしれないことをレッスンで伝えます。
- 費用はかかりますか。AI のクレジットを使いますか。
- AI を使わないので、その分の料金はかかりません。ラボはほかのコンテナーラボと同じように動きます。
- ターミナルで docker exec tools を使うのはなぜですか。
- ラボのターミナルには curl などいくつかのクライアントが入っていますが、Python はありません。docker exec tools は、エージェントとスクリプトがあるラボの Python のコンテナーの中でコマンドを実行します。