A2A: Travel Agent サンプル

【 A2A: Travel Agent サンプル 】

このセッションでは、Multi AI Agent プログラミングのサンプルとして、三つのAgentを協調させて、一つのTravel Agent サービスに統合するプログラムを紹介します。

このサンプルは、A2Aプロトコルの採用を決めたMicrosoftが、GoogleのA2A GitHubに、最近、投稿したものです。

このサンプルは、Multi Ai Agent の開発でのA2Aプロトコルの利用の紹介にもなっています。

【 基本的なコンポーネント 】

このMulti AI Agent のプログラムは、基本的には、次の三つのコンポーネントから構成されています。

　・SemanticKernelTravelManager
　・CurrencyExchangeAgent
　・ActivityPlannerAgent

それぞれのコンポーネントの働きをみておきましょう

SemanticKernelTravelManagerは、ユーザーからのリクエストを受け取り、それを分析する中央のコーディネーターとして機能します。コンテキストに基づいて、これらのリクエストを専門のエージェントにインテリジェントにルーティングします。

たとえば、通貨関連のクエリは CurrencyExchangeAgent に直接送信され、観光の予定や旅程関連の要求は ActivityPlannerAgent に転送されます。

CurrencyExchangeAgentは、通貨関連のタスクを処理します。Frankfurter API などの外部 API ツールを統合し、リアルタイムの通貨為替レートを提供します。これらのデータソースを活用することで、エージェントは正確な予算編成と財務計画を実現します。

ActivityPlannerAgent は、ユーザーの好みや予算に応じて、カスタマイズされた旅程の提案、アクティビティ、イベント予約を提供し、パーソナライズされた旅行体験をキュレーションします。

【 タスクのルーティングと委任 】

Multi Agentの協調と統合が、どのように行われているのかを考える上では、次のことが重要だと思います。

それは、エージェントの中に、もっぱら「タスクのルーティングと委任」を行うエージェントが一つ存在するということです。

例えば、このサンプルでは、TravelManager がその役割を果たしています。このエージェントは、ユーザーからのリクエストのテキストから、そのリクエストを処理するのに最適なエージェントを決定して、その専門エージェントにタスクを動的にルーティングします。

言わずもがなの確認ですが、こうしたエージェントの振る舞いは、エージェントの中核にユーザーの意図を理解するAIが存在しているから初めて可能になっています。Multi AI Agent のプログラミングでは、プログラマは「タスクのルーティングと委任」を中心に、AIに対する「指示=instruction」を行います。

【 TravelManagerAgentへのinstructionの例 】

前回もみましたが、TravelManagerAgentへのinstructionは次のようなものです。

「あなたの役割は、旅行者のリクエストを慎重に分析し、問い合わせの詳細に応じて適切なエージェントに転送することです。
金銭の金額、為替レート、通貨換算、為替関連手数料、金融取引、または支払い方法に関するリクエストは、CurrencyExchangeAgent に転送してください。
旅行計画、観光スポットの推薦、食事の提案、イベント予約、旅程作成、または金銭取引を明示的に含まない旅行の体験的な側面に関するリクエストは、ActivityPlannerAgent に転送してください。
あなたの主な目標は、旅行者が正確で専門的な支援を迅速に受けられるよう、正確かつ効率的な業務の割り当てを行うことです。」

【 エージェントの発見と広告 】

Multi Agentの協調と統合を行うために重要なことがもう一つあります。

それは、エージェントの協調と統合を語るためにもその前提として、協調可能なエージェントが存在すること、あるいはそうしたエージェントをを発見する環境が存在することが必要だということです。

A2Aでは、自分がどのようなエージェントであるかをネットワーク上に広く伝えるために ”Agent Card”による「広告」という方法をとります。そのことによって、ある特定の能力を持つエージェントを効率的に発見する環境を保障しようとします。

【 このサンプルでの制御と情報の流れ 】

「100ドルで韓国旅行したいんだけど、観光プラン作って」というユーザのリクエストに対して、このエージェントがどう反応するか、制御と情報の流れをまとめてみました。

登場人物が多いので、次のような略称を使うことにします。

　　Client は A2A Client
　　Server は A2A Server
　　TM は TravelManagerAgent 
　　CE は CurrencyExchangeAgent (Plugin)
　　AP は ActivityPlannerAgent (Plugin)
　　API は Frankfurter API (Plugin)

この時、次のような流れでtaskと情報が流れていきます。AI Agent プログラミングでなくとも、同じような処理になると思います。

Client -> Server:  taskを送る ("100ドルで韓国旅行したい")
Server ->TM:  旅行の計画についての質問を転送する
TMは、リクエストを分析してtaskを他のエージェントに委任する
通貨交換のフロー
 　　 TM -> CE: “$100 USD は韓国ウオンでいくら?”
        CE -> API: get_exchange_rate toolを呼び出す
        API -> CE: 交換レートを返す
        CE -> TM: 変換値を返す
活動計画のフロー
　　 TM -> AP: 予算 $100 での旅程
        AP -> TM: 推薦する旅程を返す
TM -> Server: 予算と旅程をまとめる
Server -> Client: Streaming: “旅行の計画を処理しています。(tool の呼び出し..)"
Server -> Client: Streaming: ”旅行の計画を組み立てています
Server -> Client: Artifact ...”: 予算の詳細を含んだ旅行計画
Server -> Client: Final status: “Task 終了"

【 サンプル・プログラムの実行について 】

このサンプルを自分のマシン上で実行するためには、実行環境を自分のマシン上に構築する必要があります。その手順は、次の資料を利用してください。

詳しい紹介は、スライドと動画を参照ください。

【 Model への Instruction という「作法」 】

ここで紹介したMulti AI Agentのプログラミングでは、すべてのエージェントに対して、LLMへのinstructionの提示が行われています。

こうしたスタイルは、A2AやMCPのGitHubでのサンプル・プログラムでも広く用いられています。システムの働きを理解する上でもそれは便利です。そのinstructionは、セキュリティー上の配慮からSystem Messageとして送られています。

こうしたプログラミング「作法」は、AIに対する最大の脅威とみなされている「Prompt Injection攻撃」に対して有効でしょうか？ 別レポートで考えてみたので参照してください。
−−−−-−−−-−−−−-−−−−−−−−-

blog page
https://maruyama097.blogspot.com/2025/05/a2a-travel-agent.html

マルレク「ソフトウェア開発サイクルの変革と AI Agent の動向 」まとめページ　
https://www.marulabo.net/docs/sdlc/

マルレク「フトウェア開発サイクルの変革と AI Agent の動向 」のショートムービーの再生リスト
https://www.youtube.com/playlist?list=PLQIrJ0f9gMcNu1_67bfQT4URZLzb1k9Wh

ショートムービー「 A2A: Travel Agent サンプル 」のpdf
https://drive.google.com/file/d/1WhGS_6PX2gH8PaibNzDX3C9NLh8xLry9/view?usp=sharing

音声による概説「System Message instruction とセキュリティ」
https://www.marulabo.net/wp-content/uploads/2025/05/AI-Agent-System-Prompt-Security_-A-Critical-Analysis.mp3

ショートムービー「 A2A: Travel Agent サンプル 」
https://youtu.be/_ZCvvcFLBTI?list=PLQIrJ0f9gMcNu1_67bfQT4URZLzb1k9Wh

コメント

コメントを投稿

このブログの人気の投稿

初めにことばありき

旧約の「創世記」の「光よあれ」は、ビッグバンを思わせて、物理学者はちょっと萌えるかもしれないのだが、新約の「ヨハネによる福音書」には、言語学者が喜びそうなフレーズがある。 「初めに言があった。言は神と共にあった。言は神であった。」 僕が知っていたのは、「はじめにことばありき」という訳だったのだが。この口語訳での「言」は、英訳だとこうなっている。 "In the beginning was the Word, and the Word was with God, and the Word was God." 「言」= "Word" である。はじめにあったのは、Wordであって、Language ではない。だから、新しい口語訳では、普段、あまり馴染みない「言」という訳語を使ったのかも。「初めに語があった」では、なんかしまらないんだろうな。（僕は、「はじめにことばありき」というフレーズの方が好きだ。） ちなみに、「ヨハネによる福音書」は、英語では、"Gospel of John" という。「ジョンのゴスペル」である。でも、そう日本語に訳してしまうと、ジョン・レノンがバラードではなく、ゴスペルを歌っているようで、まずいんだろうな。 「ことば」・「言」・"Word" と訳されている、元々の言葉を調べてみると面白い。 キリスト教のオーソドックスな原典であるラテン語訳聖書では、この部分は、こうなる。 "In principio erat Verbum, et Verbum erat apud Deum, et Deus erat Verbum" 「イン・プリンキピオー・エラト・ウェルブム」 英訳 Word のラテン語の原語は、Verbum である。この単語、英語に直訳すれば、Verbである。「初めに、動詞があった。」　言語学の「従属性文法 (Dependency Grammar) 」理論の人たち、喜びそう。 もっとも、英語のVerbは、元々は、動詞というより広く言葉全体をさしてたらしい。そのことは、「ノンバーバル・コミュニケーション (Non-Verbal Communication) 」というのが、動詞を使わないコミュニケーション...
続きを読む

密度行列とは何か？

これまで、量子の状態をベクトルで表現してきました。例えば、量子ビットの状態は、状態ベクトルで表せば、|qubit> = a|0>+b|1> と、二つの状態ベクトルの「重ね合わせ」（ベクトルの和です）で表現されました。 それに対して、密度行列は、量子のシステムの状態を行列で表現したものです。では、どの　ようにしてベクトルで表される量子の状態を、行列で表すのでしょう？ 次のように考えます。ある量子システムで、状態|ψ_i>である確率をp_iとしましょう。この時、確率p_iを成分とする行列を考えます。 |qubit> = a|0>+b|1> の場合なら、|0>である確率p_0は |a|^2で、|1>である確率p_1は |b|^2になりますので、p_0とp_1、すなわち、|a|^2と|b|^2を成分とする行列を考えることにします。 ここでは、ベクトルの外積が行列になることを利用します。それでは、外積で作られる行列のどこにこの成分を割り当てるか考えましょう。うまい方法があります。 外積 |0><0|は、0行0列目の成分だけが1で、残りの成分は全て0の行列です。同様に、外積|1><1|は、1行1列目の成分だけが1で、残りの成分は全て0の行列です。 この時、p_0|0><0| + p_1|1><1|という行列として密度行列を定義します。0行0列目の成分がp_0で、1行1列目の成分がp_1の行列です。 　● 状態ベクトルを使った表示 　　　|qubit> = a|0>+b|1> 　● 密度行列を使った表示 　　　ρ = p_0|0><0| + p_1|1><1| = |a|^2|0><0| + |b|^2|1><1| 状態ベクトルを使った表示に出てくる a, bは複素数ですが、密度行列を使った表示に出てくる p_0, p_1 は、確率ですので 0と1の間に値を持つ実数です。これは、二つの表示スタイルの大きな違いです。 密度行列を作るのに利用した、確率 p_iと状態|ψ_i>のペア { p_i, |ψ_i> }の集まりを、「pureな状態のアンサンブル」といいます。その意味は、この量子システムで、状態|ψ_...
続きを読む

宇宙の終わりと黒色矮星

イメージ
【宇宙の終わりと黒色矮星】 図のようなストーリーで、「宇宙の終わりとエントロピー」という投稿を準備していたのだが、いろいろ雑念が湧いて気がすすまなくなる。その理由は別稿で。 この図は、「閉じられた部屋でのガスの拡散」というわかりやすいモデルで理解されるエントロピーの増大の法則が、あるフェーズから、宇宙規模でみれば、「全ての物質のブラックホールへの吸収・収斂」として現れると言うことを主張している。最初、ペンローズのこの話を読んだときには、目からウロコだった。 このストーリーにはもっと先がある。最近のシミュレーションでは、指数関数的に膨張する宇宙では、巨大なブラックホールに捕捉されるのは、宇宙全体の物質の10%程度だという。恒星起源のブラックホールは 10^67 年で、銀河系中心の巨大ブラックホールも 10^99年で、ホーキング放射で「蒸発」し姿を消す。 ブラックホールに捕捉されなかった宇宙の残りの90%の物質は、元それが属した銀河系から孤立したまま星の一生の進化を続ける。太陽の1.2倍程度の質量を持つ星は「白色矮星」になるのだが、「白色矮星」は 10^17年で「黒色矮星」に変わる。 「黒色矮星」は、現代の「宇宙の終末論」では、もっとも注目されている天体なのだが、それはまだ観測されていないと言う。というのも、この天体は光を出さないからだ。「黒色矮星」の中心は、最も安定な原子である鉄の「結晶」でできていて、温度は絶対零度近くに冷却されている。 「黒色矮星」は、とても長生きする天体である。陽子崩壊がおきるなら、黒色矮星の寿命は 10^32年程度だが、もし陽子が安定しているとすれば、太陽の 1.24倍程度の質量を持つ「黒色矮星」は、10^1600年後に突然崩壊して超新星爆発を起こす。もっと軽い、太陽の1.16倍程度の質量を持つ「黒色矮星」は、10^32000 年後（！）に超新星爆発を起こす。 このシナリオによれば、宇宙は、とてつもなく長い長い退屈な時間をかけて、その死を迎える。「黒色矮星」の超新星爆発は、宇宙の死を飾る最後の打ち上げ花火である。その後には、宇宙には何も起こらない。 この記事は、ジョン・バエズの "Black Dwarf Supernovae" を基にしたものだ。https://johncarlosbaez.wordpress.com/202...
続きを読む