AIエージェント用語集：Palantir FDEからMulti-agent40語

2026年7月20日

この記事の要点

【結論】 AIエージェント用語は、単体エージェント／マルチエージェント／ツール使用／FDE型実装／プロトコル層の5層で整理すると業務×AI×実装の会話が噛み合う。
【重要ポイント1】 単体の中核はPlanner／Executor／Memory／Tool-useの4部品、ReActはこれを回すループ設計の代名詞。
【重要ポイント2】 PalantirのFDE（Forward Deployed Engineer）は、AI時代の上流実装人材の原型。
【重要ポイント3】 MCPとA2Aは2025年以降のエンタープライズエージェント設計の事実上の標準。
【対象読者】 経営者・DX責任者・コンサルタント・エンジニア。

エージェント基礎10語とは何か
マルチエージェント10語をどう使い分けるか
ツール使用10語で押さえるべき定義は何か
FDE関連10語はなぜコンサル人材の必修か
MCP・A2Aとは何を接続する規格か
エンタープライズエージェント設計で経営者が押さえる用語は何か

用語一覧（40語＋α）

カテゴリ	主要用語
基礎10語	AIエージェント／自律性／ツール使用／ReAct／Planner／Executor／Memory／LLM／プロンプト／エージェントループ
マルチエージェント10語	Multi-agent／Orchestration／Handoff／Swarm／Supervisor／Worker／Router／Broadcast／Consensus／Agent Graph
ツール使用10語	Function calling／MCP tools／APIコール／RAG／ベクトル検索／Web検索／Code Interpreter／ファイル操作／ブラウザ自動化／DB接続
FDE関連10語	FDE／Palantir Foundry／Gotham／AIP／Ontology／Pipeline Builder／Contour／Workshop／Deployment Strategist／FDE型コンサル
MCP・A2A	MCP／MCP Server／MCP Client／A2A／MCP Resources／MCP Prompts
企業活用	エンタープライズエージェント／Guardrails／Human-in-the-loop／Evals／Observability

エージェント基礎10語とは何か

結論： 単体エージェントは「LLMが目的に向けて計画・実行・記憶・道具使用を繰り返すループ」であり、以下10語で構成部品を押さえられます。

1. AIエージェント：AIエージェントとは、目的を与えられたLLMが、計画・ツール使用・観察・修正を自律的に繰り返して成果物を出す仕組みである。使用例：「請求書処理エージェントを月間3000件で回す」。

2. 自律性（Autonomy）：自律性とは、人間の逐次指示なしにエージェントが次の一手を自己決定できる度合いである。Anthropicは自律度をレベル1（提案）〜レベル4（完全実行）で整理する。使用例：「レベル3までの自律性を承認する」。

3. ツール使用（Tool-use）：ツール使用とは、LLMがAPI・関数・データベース等の外部道具を呼び出して能力を拡張する行為である。使用例：「Tool-useで社内Slackに投稿させる」。

4. ReAct：ReActとは、Reasoning（推論）とActing（行動）を交互に繰り返すエージェント設計パターンである。2022年Google研究発。使用例：「エージェントの中核はReActループで実装」。

5. Planner：Plannerとは、ゴールをサブタスクに分解し実行順序を決めるモジュールである。使用例：「Plannerが5ステップに分解し、Executorに委譲」。

6. Executor：Executorとは、Plannerが定めたサブタスクを具体的なツール呼び出しで実行する担当モジュールである。使用例：「Executorが3つのAPIを並列で叩く」。

7. Memory：Memoryとは、エージェントが会話履歴・作業状態・学習事項を保持する記憶機構で、短期（コンテキスト）と長期（ベクトルDB）に分かれる。使用例：「長期Memoryに顧客プロファイルを保存」。

8. LLM（Large Language Model）：LLMとは、大規模テキストで訓練された基盤モデルで、エージェントの推論エンジンにあたる。Claude・GPT・Gemini等。使用例：「Claude Sonnet 4.5を推論エンジンに採用」。

9. プロンプト：プロンプトとは、LLMに与える指示文であり、システムプロンプト・ユーザープロンプト・ツール定義プロンプトの3層で構成する。使用例：「システムプロンプトに業務ルールを注入」。

10. エージェントループ：エージェントループとは、Plan→Act→Observe→Reflectを繰り返す実行サイクルで、終了条件到達で完了する。使用例：「無限ループ防止に最大10ステップを設定」。

マルチエージェント10語をどう使い分けるか

結論： Multi-agentは「役割の異なるエージェントを協調させる設計」であり、Orchestration／Handoff／Swarmの3パターンで多くの業務は表現できます。

11. Multi-agent：Multi-agentとは、複数のエージェントが役割分担しながら共通のゴールを達成する仕組みである。単体エージェントが破綻する複雑業務で採用。使用例：「営業リサーチ・提案作成・レビューの3体Multi-agent」。

12. Orchestration：Orchestrationとは、上位エージェントが下位エージェント群の実行順・依存関係を統制する集中管理型の連携方式である。使用例：「Orchestratorが5体のWorkerを並列制御」。

13. Handoff：Handoffとは、あるエージェントが処理を別エージェントに引き継ぐ動作である。文脈・状態も同時に受け渡す。使用例：「一次対応Botから専門Botへの自動Handoff」。

14. Swarm：Swarmとは、対等な複数エージェントが並列で動き、相互に補完し合う分散協調型パターンである。OpenAI Swarmフレームワークが有名。使用例：「Swarmでリサーチ多角化」。

15. Supervisor：Supervisorとは、複数のWorkerエージェントを監視・指揮する管理役エージェントである。品質チェックと再指示を担う。使用例：「Supervisorが3体のWorkerの出力をレビュー」。

16. Worker：Workerとは、Supervisor配下で具体タスクを実行する作業役エージェントである。使用例：「Worker Aは検索、Bは要約、Cは整形を担当」。

17. Router：Routerとは、入力内容を判別して適切なエージェントへ振り分けるエージェントである。使用例：「Routerが問い合わせを技術・課金・営業に分岐」。

18. Broadcast：Broadcastとは、1つのメッセージを複数エージェントへ同報配信する通信パターンである。使用例：「全Workerに新ポリシーをBroadcast」。

19. Consensus：Consensusとは、複数エージェントの回答を突合し多数決や合議で最終案を決める合意形成方式である。使用例：「3体の見積もりの中央値をConsensusで採用」。

20. Agent Graph：Agent Graphとは、エージェント間の呼び出し関係を有向グラフで表現する設計図である。LangGraph等が実装。使用例：「Agent Graphで承認フローを可視化」。

ツール使用10語で押さえるべき定義は何か

結論： エージェントは「道具の使い方」で価値の8割が決まります。Function calling、MCP、RAGを中核に、10種の道具を用途で使い分けます。

21. Function calling：Function callingとは、LLMがJSONで関数呼び出しを生成し、外部プログラムに実行させる仕組みである。OpenAIが2023年に一般化。使用例：「Function callingで在庫API呼び出し」。

22. MCP tools：MCP toolsとは、Model Context Protocolに準拠して定義された標準ツール群である。Anthropicが2024年11月に公開。使用例：「Notion MCPで議事録読み書き」。

23. APIコール：APIコールとは、エージェントが外部システムのHTTPエンドポイントを呼び出してデータ取得や操作を行う行為である。使用例：「freee APIで会計データを取得」。

24. RAG（Retrieval-Augmented Generation）：RAGとは、外部知識をベクトル検索で取得しLLM生成を補強する構成である。ハルシネーション対策の中核。使用例：「社内ナレッジRAGで契約書生成」。

25. ベクトル検索：ベクトル検索とは、テキストを埋め込み表現に変換し類似度で検索する技術である。Pinecone・Weaviate等が代表。使用例：「議事録10万件をベクトル検索」。

26. Web検索ツール：Web検索ツールとは、エージェントがGoogle・Bing等の検索APIを呼び出し最新情報を取得するツールである。使用例：「競合他社の直近発表をWeb検索」。

27. Code Interpreter：Code Interpreterとは、LLMが生成したPython等のコードをサンドボックス環境で実行する道具である。使用例：「Code Interpreterで売上CSVを分析」。

28. ファイル操作ツール：ファイル操作ツールとは、エージェントがローカル・クラウドのファイルを読み書き・編集するツール群である。使用例：「PowerPoint出力ツールで提案書を生成」。

29. ブラウザ自動化：ブラウザ自動化とは、Playwright等でChromeを操作しWebサイト操作を代行する仕組みである。使用例：「経費精算画面を自動入力」。

30. DB接続：DB接続とは、エージェントがSQL・NoSQLデータベースに直接クエリを投げるツールである。使用例：「Snowflakeに顧客セグメントを問い合わせ」。

FDE関連10語はなぜコンサル人材の必修か

結論： Palantirが確立したFDE（Forward Deployed Engineer）モデルは、業務×AI×実装を一人で背負う「AI時代の上流実装人材」の原型です。日本のコンサルタントが学ぶべき職業像がここに凝縮されています。

31. Forward Deployed Engineer（FDE）：FDEとは、Palantirが定義した、クライアント現場に常駐して業務課題を発見しプロダクトで解決するエンジニアである。使用例：「FDEが工場に3か月常駐しダッシュボード実装」。

32. Palantir Foundry：Palantir Foundryとは、企業向けデータ統合・分析・アプリ構築プラットフォームで、FDEの主戦場である。2020年上場。使用例：「Foundry上で調達データを統合」。

33. Palantir Gotham：Palantir Gothamとは、政府・防衛向けの情報統合分析基盤で、Palantir創業事業である。使用例：「Gothamで犯罪データを可視化」。

34. Palantir AIP：Palantir AIP（Artificial Intelligence Platform）とは、Foundry上でLLMエージェントを構築・運用する2023年公開のスイートである。使用例：「AIPで在庫最適化エージェントを構築」。

35. Ontology（オントロジー）：Ontologyとは、企業の業務エンティティ（顧客・工場・製品等）と関係性をコード化したデジタルツインである。Palantirの中核概念。使用例：「Ontology上に生産計画を再構築」。

36. Pipeline Builder：Pipeline Builderとは、Foundry上でノーコードにデータ変換パイプラインを構築するツールである。使用例：「Pipeline BuilderでERPデータを日次連携」。

37. Contour：Contourとは、Foundry上でSQL不要にデータ探索・分析を行うノーコード分析ツールである。使用例：「Contourで顧客セグメントを試行」。

38. Workshop：Workshopとは、Foundry上で業務アプリを構築するローコード開発環境である。使用例：「Workshopで受注承認アプリを内製」。

39. Deployment Strategist：Deployment Strategistとは、FDEと並ぶPalantirの職種で、顧客経営層と対峙し導入戦略を描くビジネス職である。使用例：「Deployment Strategistが経営会議で価値を説明」。

40. FDE型コンサル：FDE型コンサルとは、業務ヒアリング・仕様策定・実装・運用移管まで一気通貫で担う日本型上流実装人材である。ConStepが育成対象とする役割。使用例：「FDE型コンサルが金融DX案件を推進」。

MCP・A2Aとは何を接続する規格か

結論： MCPはエージェントと道具・データをつなぐ「USB規格」、A2Aはエージェント同士をつなぐ通信規格。2025年以降の連携標準です。

MCP（Model Context Protocol）：MCPとは、Anthropicが2024年11月に公開したLLMと外部システムを接続する標準プロトコルである。OpenAI・Google DeepMindも2025年に採用表明。使用例：「Notion・Slack・GitHubをMCPで統合」。

MCP Server：MCP Serverとは、ツール・データ・プロンプトを標準I/Fで提供する側のプログラムである。使用例：「社内SharePointをMCP Serverで公開」。

MCP Client：MCP Clientとは、MCP Serverに接続してツールを呼び出すエージェント側のプログラムである。使用例：「Claude CodeがMCP Clientとして複数Serverを利用」。

MCP Resources／Prompts：ResourcesはServerが公開するデータ、PromptsはServerが提供する定型プロンプト集である。使用例：「Promptsで議事録テンプレを配布」。

A2A（Agent-to-Agent Protocol）：A2Aとは、Googleが2025年4月に公開した、異なるベンダーのエージェント同士を相互運用させる通信規格である。使用例：「社内Agentと取引先AgentをA2Aで連携」。

エンタープライズエージェント設計で経営者が押さえる用語は何か

結論： Guardrails／Human-in-the-loop／Evals／Observabilityの4語で、経営リスクと価値管理の共通言語が揃います。

エンタープライズエージェント：企業内システム・データ・権限体系と接続され、監査・統制の下で継続運用されるエージェント。使用例：「経理エージェントを月次で稼働」。

Guardrails：エージェントの入出力・行動を制限する安全機構。個人情報マスク・危険操作禁止を含む。使用例：「顧客氏名をGuardrailsで自動マスク」。

Human-in-the-loop（HITL）：重要な意思決定に人間承認を挟む設計思想。使用例：「10万円以上の発注はHITLで承認必須」。

Evals：エージェントの精度・安全性・コストを定量評価する仕組み。使用例：「毎週Evalsで回答品質をスコア化」。

Observability：実行ログ・トークン消費・エラーを可視化する運用機構。使用例：「LangSmithでObservabilityを整備」。

Gartner「Hype Cycle for AI 2025」はAgentic AIを「Peak of Inflated Expectations」に位置づけ、2027年までにエンタープライズソフトの33%がエージェントを内包すると予測しました。用語の共通理解が、経営と現場の乖離を防ぐ最初の一歩です。

FAQ（よくある質問）

Q1：AIエージェントとチャットボットの違いは何ですか？

A1：チャットボットは「対話」が目的で状態遷移が浅いのに対し、AIエージェントは「目的達成」が目的で、Plan／Act／Observeのループを自律的に回します。Tool-useとMemoryを持つ点が決定的な違いです。

Q2：Multi-agentは単体エージェントと比べて必ず優れていますか？

A2：いいえ。単体で完結する業務ではMulti-agentはコスト・レイテンシ・デバッグ難度を悪化させます。役割分離が明確で、専門性の異なる処理が並列できる場合にのみMulti-agentを選ぶのが実務原則です。

Q3：MCPを導入すると何が変わりますか？

A3：エージェントとツールの接続が「その都度実装」から「標準I/F接続」に変わり、実装工数が2〜5割削減されます。ベンダーロックインも緩和され、Claude／ChatGPT／Gemini間でツール資産を共通利用できます。

Q4：FDE型コンサルは日本で採用可能なモデルですか？

A4：可能です。ただし業務理解・実装能力・クライアントワークの三つを一人で担う人材が希少なため、Ballistaは業務×AI×実装を3〜6か月で体系育成するConStepカリキュラムで供給する立場を取っています。

Q5：エンタープライズエージェントで最初に整備すべきは何ですか？

A5：Guardrails（情報漏洩・危険操作の禁止）とEvals（品質評価）です。この2つがないと、便利さと引き換えに監査不能な影のシステムを増やすことになり、経営リスクが跳ね上がります。

参考文献・出典

経済産業省「デジタルスキル標準（DSS）」（2024年改訂版）https://www.meti.go.jp/policy/it_policy/jinzai/dss/
Anthropic「Introducing the Model Context Protocol」（2024年11月）https://www.anthropic.com/news/model-context-protocol
Palantir Technologies「Forward Deployed Software Engineer」職種定義（公式サイト）https://www.palantir.com/careers/
Google「Announcing the Agent-to-Agent Protocol (A2A)」（2025年4月）https://developers.googleblog.com/
Gartner「Hype Cycle for Artificial Intelligence 2025」
IPA「DX白書」（2026年版）