---
title: "常時稼働型AIエージェントを理解する：インフラストラクチャ、コンテキストエンジニアリング、システムアーキテクチャ"
author: "DeepValues Research"
publisher: "DeepValues Research (DeepValues / LuLu Ventures LLC)"
type: "Research article"
date: "2026-10-31"
language: "ja"
section: "Insights"
machine_translated: true
translation_method: "machine translation (gpt-6.1-sol, Azure OpenAI)"
translated_from: "https://research.deepvalues.ai/insights/2026-10-31-building-always-on-ai-agents/"
original_url: "https://research.deepvalues.ai/insights/2026-10-31-building-always-on-ai-agents/"
original_language: "en"
translated_on: "2026-11-15"
translation_note: "Machine-translated from the original report; the original is authoritative."
canonical_url: "https://research.deepvalues.ai/insights/2026-10-31-building-always-on-ai-agents-ja/"
markdown_url: "https://research.deepvalues.ai/insights/2026-10-31-building-always-on-ai-agents-ja/index.md"
license: "CC BY 4.0"
license_url: "https://creativecommons.org/licenses/by/4.0/"
cite_as: "DeepValues Research, 常時稼働型AIエージェントを理解する：インフラストラクチャ、コンテキストエンジニアリング、システムアーキテクチャ, https://research.deepvalues.ai/insights/2026-10-31-building-always-on-ai-agents-ja/"
publisher_url: "https://deepvalues.ai"
app: "https://deepvalues.ai"
api: "https://app.deepvalues.ai/developers"
data_note: "Reports are dated snapshots. Current data via the DeepValues API: https://app.deepvalues.ai/developers"
disclaimer: "Educational research, not investment advice."
disclosure: "AI-assisted"
generated_by: "NotebookLM + DeepValues editors"
category: "ai"
sources:
  - title: "Stanford CS146S: How always-on agents work"
    url: "https://www.youtube.com/watch?v=L1OBRtfPS34"
audio: "https://anchor.fm/s/117391698/podcast/play/128503104/https%3A%2F%2Fd3ctxlq1ktw2nl.cloudfront.net%2Fstaging%2F2026-9-31%2F2868770b-cf77-7ea4-a62d-c89cf1a17fa3.m4a"
audio_kind: "podcast episode"
audio_page: "https://open.spotify.com/episode/6suF8B0LJ27jtP97U916bZ"
---
# 常時稼働型AIエージェントを理解する：インフラ、コンテキストエンジニアリング、システムアーキテクチャ

常時稼働する能動的な永続エージェントは、人工知能の導入における構造的なパラダイムシフトを表しており、システム設計を、人間が監視するローカル実行ループから、自律的にバックグラウンドで稼働する企業向けインフラへと移行させます。Lee Robinsonによるスタンフォード大学のCS146S講義で詳述されているように、これらの永続エージェントは、サーバー中心の実行モデル、永続的なワークフローのオーケストレーション、ディスクへのスナップショット保存を伴う動的な仮想マシンのサンドボックス化、サブエージェントへのタスク委任、継続的なプロンプトのコンテキスト圧縮に依存しています。エージェントのループを開発者のハードウェアやローカルのターミナルセッションから切り離すことで、これらのアーキテクチャは対話型コマンドライン実行基盤の物理的制約を克服します。常時稼働型エージェントは、単なる受動的な応答ツールではなく、環境に常駐するデジタルの同僚として機能し、クラウド環境全体で、数週間に及ぶ長期的なソフトウェアエンジニアリングや運用タスクを実行します。

## AI開発の四つの時代とターミナルのボトルネック

開発者と人工知能の関わりは、四つの異なる運用パラダイムを経て進化してきました。最初の時代には、開発者がChatGPTのようなウェブインターフェースからコード片を手作業でコピーし、ローカルの統合開発環境に直接貼り付けていました。この手作業のワークフローは極めて断片的で、絶え間ないコンテキストの切り替えと、モデルの出力をコードファイルへ反映する人間の作業を必要としていました。

第二の時代には、ターミナルベースの実行基盤が登場しました。これらのソフトウェアラッパーは、大規模言語モデル［LLM］が、限定された実行ループ内でファイルツリーを解析し、ソースファイルを変更し、シェルコマンドを発行することで、ローカルのオペレーティングシステムと受動的にやり取りできるようにしました。ターミナル実行基盤は、モデルに操作を実行する主体性を与えることで大幅な生産性向上を実現しましたが、依然として人間による直接的な起動とローカルコンピューターの状態に厳密に依存していました。

第三の時代には、コーディングエージェントが、クラウド環境で並列エージェントインスタンスを生成できる専用のユーザーインターフェース［UI］を備えたデスクトップアプリケーションへと拡張されました。計算処理の実行をリモートインフラへ移したにもかかわらず、この世代は重大な運用上の摩擦を抱えていました。人間の操作者が依然として主要なボトルネックだったのです。開発者は、意図しないファイル削除やシステムの不安定化を防ぐために、実行の流れを継続的に監視し、すべてのシェルコマンドを手作業で確認・承認することを余儀なくされました。

業界は現在、第四の時代に入っています。クラウドのバックグラウンドインフラ全体に常駐し、常時稼働する永続エージェントの時代です。専用のリモートワークステーション、永続的な記憶構造、自律的なスケジューリングトリガーを備えたこれらのエージェントは、開発者がいるかどうかに関係なく継続的に動作します。ノートパソコンのふたを閉じたり、ターミナルセッションを終了したりすると、背後のエージェントプロセスが突然終了するという、ターミナル依存の実行基盤における中核的な構造上のボトルネックは解消されました。さらに、第四世代の実行基盤は、実行中のユーザーによるリアルタイムの方向修正や、まとまりのない割り込みにも対応します。ユーザーが処理の途中で指示を追加したり日付を変更したりしても、現代のモデルは、コンテキストを劣化させたり進行中のタスク状態を無効にしたりすることなく、こうした流動的な更新を処理します。

## システムアーキテクチャ：サーバー中心の実行と仮想マシンのサンドボックス化

常時稼働型エージェントを支えるインフラを理解するには、そのアーキテクチャを「リモート作業環境を持つデジタルの同僚」として捉えることができます。このモデルでは、エンドユーザーはテキストメッセージに似た軽量なメッセージングクライアントを通じてやり取りする一方、主要な処理負荷、システムメモリ、ツールの依存関係、動作環境は、隔離されたクラウドインフラ上に配置されます。

システムの実行パイプラインは、明示的なプロンプト、またはバックグラウンドで発生するイベントによって開始されます。ユーザーによる直接的な呼び出しでのみ起動する従来のシステムとは異なり、常時稼働型エージェントは、バックグラウンドの定期実行処理や、Slackの受信メッセージ、自動送信メール、カレンダーの招待などの外部ウェブフックによって起動できます。重要なのは、不在の従業員の代わりに、エージェントがオンラインのビデオ会議や音声会議へ自律的に参加し、メモを取り、議論の要点をまとめ、実行すべきタスクを記録できる点です。受信イベントルーターは、受信シグナルの重複を排除し、運用上の優先順位を割り当て、能動性を判断するヒューリスティクスを適用して、エージェントが直ちにユーザーへ通知すべきか、バックグラウンドで静かにタスクを処理すべきかを決定します。優先度の高いユーザーの方向修正入力は、バックグラウンド処理キューに即座に優先します。

このアーキテクチャの中心にあるのは、軽量クライアント・高機能サーバーという設計パターンです。クライアントアプリケーションに含まれる運用ロジックは最小限で、リモートサーバーからの整形済み出力を表示するために、単一の`send_user`アプリケーションプログラミングインターフェース［API］ツールを公開します。中核となるエージェントループをローカルアプリケーション内ではなく中央サーバーに配置することで、技術チームは、アプリストアの承認による遅延やサービス停止を伴わずに、バックエンドの更新を迅速に展開できます。さらに、音声の文字起こしや画像生成などの負荷の高い計算処理は、最適化されたサーバーインフラに集約されたままです。クライアントアプリケーションは、サーバーとのリアルタイムイベントストリームの購読を確立し、メッセージの重複排除ロジックを利用して、独自のサインインフォーム、1Passwordの認証情報、金融取引の承認画面などの対話型UI要素を、状態の同期を崩すことなく描画します。

実行の安全性と環境の隔離は、Firecracker仮想マシン［VM］のサンドボックスによって実現されます。各エージェントインスタンスは、永続的なファイルストレージ、仮想デスクトップ、ヘッドレスのChromeブラウザーを備えた専用のLinuxコンテナー内で動作します。エージェントは、API連携だけに頼るのではなく、コンピューター操作機能を使ってソフトウェアシステムとやり取りします。構造化されたオペレーティングシステムのアクセシビリティツリーを介してウェブインターフェースを解析し、操作可能な要素を特定します。標準的でないインターフェースを操作する場合には、スクリーンショットの直接的な視覚分析とピクセル座標によるクリックに切り替えます。ハードウェアの制約とホスティング費用を管理するため、Firecracker VMは、待機時に実行状態のスナップショットを動的にディスクへ保存して休止状態に入り、新たな起動トリガーを受け取ると、完全な動作状態を即座に復元します。

数週間にわたる運用でシステムの永続性を確保するには、従来のジョブキューではなく、永続ワークフローフレームワークが必要です。標準的なジョブキューは、ノード障害に対してタスクを最初の手順から再開するため、複雑な複数段階の処理では、重複した副作用が深刻な問題を引き起こします。Temporalのような永続ワークフローエンジンを利用することで、エージェントの実行状態、変数の記憶、運用コンテキストが継続的にチェックポイントとして保存されます。基盤となるインフラノードに障害が発生しても、永続ワークフローは、すでに完了したツール呼び出しを再実行することなく、障害が発生した正確な地点から実行を再開します。

## サブエージェントとコンテキストエンジニアリング：擬似的に無限のコンテキストを実現する

長期的な運用において大規模言語モデルの能力を左右する主要なボトルネックは、コンテキストの劣化です。LLMのコンテキストウィンドウが、システムプロンプト、ツールスキーマ、ファイルの読み取り内容、実行ログで埋まるにつれて、システムの性能は低下します。トークン消費費用は非線形に増大し、処理の遅延が増え、当初の指示に対して高い推論精度を維持するモデルの能力は大幅に低下します。

コンテキストの肥大化を抑えるため、現代のエージェント実行基盤は、しばしば「ツール検索ツール」と呼ばれる動的なツール探索を採用しています。モデルコンテキストプロトコル［MCP］サーバー、独自のソフトウェア開発キット、外部データベースAPIなど、数十の統合ツールの完全なJSONスキーマを有効なコンテキストウィンドウに読み込むのではなく、主プロンプトには概略的なツール名だけを含めます。詳細なツール仕様はリモートファイルシステム上で管理されます。エージェントは、明確な運用上の要件が生じた場合にのみ、特定のツールスキーマを動的に検索し、読み取り、作業メモリに読み込みます。

複雑なタスク全体で高い推論品質を維持するため、主オーケストレーターエージェントは、トークン消費の多い処理を専門のサブエージェントに委任します。タスクで数百のシェルスクリプトの実行、大量のウェブページのスクレイピング、デモ動画の生成が必要になると、オーケストレーターは、新しいコンテキストウィンドウを備えた隔離されたサブエージェントを生成します。サブエージェントは、負荷の高いサブルーチンを自身の永続ワークフロー内で実行し、簡潔に要点を抽出したマークダウン形式の要約だけを主スレッドに返します。この委任パターンにより、運用上、擬似的に無限のコンテキストが実現され、主オーケストレータースレッドのコンテキストウィンドウの枯渇が防止されます。

実行基盤のエンジニアリングは、プロンプトのキャッシュ構造とバックグラウンドでのコンテキスト圧縮によって、システム効率をさらに最適化します。モデルは、基盤モデルAPIが提供するキャッシュのヒット率を最大化するため、静的なシステムプロンプト、動的なツール探索インデックス、永続的な中核記憶をコンテキスト配列の先頭に保持します。システムプロンプトの反復改良やA/Bテスト中もキャッシュの有効性を維持するため、実行基盤は、セクション単位の決定論的なハッシュ化を利用し、システムプロンプトの構成要素が固定された不変の順序を保つようにします。さらに、クライアントアプリケーションは、ユーザーがチャットUIにフォーカスを合わせるか入力を開始した時点で、サーバー上のプロンプトキャッシュを事前に準備し、ユーザーがメッセージを送信する前に遅延を解消します。

運用が落ち着いている間、モデルのプロンプトキャッシュが利用可能な状態に保たれている時間帯、通常は10から60分の時間枠内に、システムは非可逆的なバックグラウンド圧縮処理を実行し、過去の会話ログを構造化された要約へ圧縮します。永続記憶は、三つの異なる層に整理されます。

1. **中核的なユーザー情報：** 各処理ターンに挿入される、優先度の高いユーザーの好みとシステム全体の制約。
2. **日付付きログ履歴：** リモートのマークダウンファイルに保存された、過去のシステムとのやり取りに関する、時系列で検索可能な記録。
3. **一時的な作業メモ：** タスク完了後に自動的に失効するよう設計された、一時的な運用用の作業記憶。

## 安全性、自動レビュー、モデル改善の好循環

自律エージェントの企業導入は、特にコマンド実行の承認疲れとプロンプトインジェクションに関して、重大なセキュリティ上の脆弱性をもたらします。短時間に実行される数百のシェルコマンドを人間の操作者に手作業で承認させると、運用上の疲弊につながり、人間による監督が機能しなくなります。これに対処するため、高信頼性のエージェントアーキテクチャは、自動レビューシステムと呼ばれる補助的なガードレールモデルを実装します。

自動レビューのガードレールは、独立した高度に専門化されたAIプロセスとして動作し、提案されたすべてのシェルコマンド、スクリプト実行、視覚的なデスクトップ操作を、実行前に検査します。実証試験では、自動化された補助評価モデルが、悪意のあるコマンド、構文エラー、運用上の逸脱の検出において、疲労した人間の操作者を上回ることが示されています。外部へのメール送信や、Stripe LinkまたはX Moneyのようなサービスを介した金融取引の実行など、リスクが高く取り消せない操作については、システムが実行を一時停止し、人間による明示的な確認を必須とします。

受信メール、第三者のウェブコンテンツ、ウェブフックなどの信頼できない外部入力を、エージェントの主推論ループに直接取り込むと、深刻なプロンプトインジェクションのリスクが生じます。安全なシステムは、信頼できない入力を中間の解析層に通して無害化し、悪意ある指示の上書きによって、未検証のシステムツールが実行されたり、認証情報が侵害されたりすることを防ぎます。

システムの信頼性は、二重ループのエンジニアリングによる好循環を通じて継続的に向上します。エージェントがタスクに失敗すると、その失敗に至る実行経路が自動評価ベンチマークに登録されます。高速な内側のループでは、システムエンジニアが、実行基盤の指示を直ちに更新し、動的ツールを改良し、またはシステムプロンプトを調整して、評価スイートで修正を検証します。低速な外側のループでは、集約された失敗データと成功に至る実行経路が、微調整用のデータセットにまとめられます。基盤モデルは、1から6か月のリリース周期で教師あり微調整［SFT］と強化学習［RL］を受け、指示への追従、ツールの選択、視覚的なデスクトップ操作をモデル自体の能力として改善します。

これらのアーキテクチャを構築するエンジニアリングチームは、「製品を削除する」という中核的な運用原則に従います。6から12か月という期間で基盤モデルの能力が急速に飛躍し、複雑な実行基盤の問題がモデル自体によって体系的に解決されるため、今日構築する複雑で独自のユーザーインターフェースの抽象化は、最小限にとどめるべきです。
## システムの制約、アーキテクチャ上のトレードオフ、未解決の課題

インフラが急速に進歩しているにもかかわらず、常時稼働型エージェントのアーキテクチャには、能動性と通知管理に関する技術的なトレードオフが未解決のまま残っている。常時寄り添うデジタル同僚を運用するには、エージェントが黙ってタスクを実行すべき時と、進捗更新のためにユーザーの作業を中断すべき時を判断する、きめ細かな経験則が必要になる。能動性が過度に強いと通知疲れやユーザーの不快感を招く一方、過度に控えめだと、システムは標準的な受動型ツールに退化する。最適な通知しきい値の設定は、企業への導入全般において依然として未解決の課題である。

もう一つの課題は、長期評価のパラドックスである。基盤言語モデルが30日から90日の周期でバージョン更新や全面的な置き換えを受ける中、複数週間の実行期間にわたり継続稼働するよう設計されたエージェントを評価することは、本質的に難しい。評価の実行が完了する前に基盤モデルが更新されたり廃止されたりする場合、1か月にわたるタスクの実行過程を対象としたオフライン比較評価は実用的でなくなり、基準となる性能の追跡が困難になる。

最後に、コンテキストの要約は避けられない情報損失をもたらす。すべての圧縮アルゴリズムは非可逆圧縮に依存しているため、数十万トークンに及ぶ詳細なログ履歴、端末出力、ファイル内容を簡潔なマークダウン要約に凝縮すると、微妙な例外ケースの詳細が永久に失われるリスクがある。長期間稼働するエージェントが数週間前に設定された正確な運用パラメータを必要とする場合、非可逆圧縮は、実行の後半段階において、気づかれないままのタスク失敗やコンテキストに関する幻覚を引き起こし得る。

これらのトレードオフに対処するには、トークン消費コストと推論の精度を両立させ、推論遅延を最適化し、サービスとしてのソフトウェア［サービス型ソフトウェア］プラットフォームをまたぐ複数エージェント間のやり取りに、堅牢なセキュリティ境界を確立する必要がある。

## 主要な数値

*   **200,000トークン：** 現代の大規模言語モデルにおける標準的な作業記憶用コンテキストウィンドウの基準であり、積極的なコンテキスト圧縮アルゴリズムが必須となる規模を示す。
*   **6か月から12か月：** 基盤モデルの能力が飛躍的に向上し、複雑な独自の実行制御ロジック、中間抽象化層、専用の利用者インターフェース用ラッパーが陳腐化するまでの運用期間。
*   **10分から60分：** 基盤モデルの提供企業がプロンプトキャッシュを利用可能な状態に維持する一般的な時間であり、費用対効果の高いバックグラウンドでのコンテキスト圧縮を実施するための最適な時間枠を定める。
*   **数時間／数日から複数週間／複数か月へ：** 短時間の対話型端末セッションから、自律的かつ長期にわたるバックグラウンドの作業フローへと拡大する、目標実行期間の構造的な変化。

## この状況を変え得る要因

1.  **非可逆圧縮からグラフベースの記憶アーキテクチャへの移行：** 標準的なマークダウンによるコンテキスト要約から、情報損失のない知識グラフへと業界全体が広く移行すれば、複数か月にわたる実行における長期的な想起能力とコンテキストの精度が大幅に向上する。
2.  **長期稼働エージェントの評価基準の標準化：** 予測型で時間を圧縮したオフライン評価の枠組みが開発されれば、技術チームは実時間での実行周期を待つのではなく、数時間以内に複数週間のエージェント作業フローを正確に評価できるようになる。
3.  **画面表示を伴わないコンピューター操作の企業への広範な導入：** 企業向けソフトウェア全体で、アクセシビリティツリーとピクセル操作を通じた直接的な視覚ナビゲーションが全面的に採用されれば、従来のアプリケーション・プログラミング・インターフェースによる連携や、専用のモデルコンテキストプロトコル実装が不要になる。
4.  **ハードウェアレベルでの音声・発話機能の標準統合：** リアルタイムの発話処理に合わせて設計された、常時利用可能で低遅延の音声ハードウェア形態が普及すれば、エージェントの主な制御手段は、テキストメッセージ用の軽量クライアントから継続的な音声対話ループへと移行する。

継続稼働する自律型エージェントのインフラに関する理解をさらに深め、現代のモデル実行制御基盤の実装を評価するには、DeepValues Researchのサイトで公開されているオープンソースの研究資料を参照するか、DeepValuesアプリ内でプラットフォームを直接体験してほしい。
## 参考文献

Stanford CS146S: How always-on agents work, presentation by Lee Robinson on the leerob YouTube channel.

## From DeepValues

- DeepValues app: intrinsic value, stances and the latest reports for 300+ stocks. [iPhone](https://apps.apple.com/us/app/deepvalues/id6775568608?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android](https://play.google.com/store/apps/details?id=app.deepvalues.android&referrer=utm_source%3Dresearch%26utm_medium%3Dweb%26utm_campaign%3Dmarkdown) · [Web](https://app.deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown)
- [Deep Value Intelligence](https://deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown): the multi-agent AI analyst behind these reports, for any listed company
- [Margin of Safety Weekly](https://app.deepvalues.ai/letter?utm_source=research&utm_medium=web&utm_campaign=markdown): free weekly email, every Saturday
- YouTube: videos on investing and on AI. [@TheDeepValues](https://www.youtube.com/@TheDeepValues?utm_source=research&utm_medium=web&utm_campaign=markdown) (investing) · [@deep-values](https://www.youtube.com/@deep-values?utm_source=research&utm_medium=web&utm_campaign=markdown) (AI)
- Podcasts: 6 shows in English and Chinese (Deep Values, 深度价值, Deep Values Frontier, 深度價值前沿, Deep Value Intelligence, 深度价值情报站). [all shows on Apple Podcasts](https://podcasts.apple.com/us/channel/deepvalues/id6826606342)
- Buffett Indicator: market-valuation gauge. [iPhone](https://apps.apple.com/us/app/buffett-indicator/id6747404614?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android (Buffett Indicator & Shiller PE)](https://play.google.com/store/apps/details?id=com.luluventures.bubblewatch.android&utm_source=research&utm_medium=web&utm_campaign=markdown)
