協調的スウォーム：OpenAgentsの分析と未来のマルチエージェントシステムに向けた戦略的ロードマップ

序論

人工知能（AI）の世界では、単一のモノリシックなモデルから、動的で協調的なマルチエージェントシステム（MAS）へと、パラダイムシフトが進行しています。AIによる価値創造の次なるフロンティアは、個々のエージェントの能力ではなく、単一のエンティティでは解決不可能な問題を解決するために、複雑で適応的な「スウォーム（群れ）」を形成する能力にあると考えられます。本レポートでは、この領域における主要なプロジェクトの一つとしてOpenAgentsを取り上げます。OpenAgentsは、「エージェントのインターネット」の基盤インフラを提供することを目指す野心的な試みです。本レポートの目的は二つあります。第一に、OpenAgentsフレームワークの技術的および思想的な側面を徹底的に分析すること。第二に、その分析を基に、次世代のAI間連携システムを設計・実装するための高レベルな戦略的ガイドを提示することです。

第1章 OpenAgentsの詳細分析：「エージェントのインターネット」の構築

本セクションでは、OpenAgentsフレームワークについて、その高レベルなビジョンから具体的な技術実装に至るまで、多角的に詳細な分析を行います。

1.1. 中核となるビジョンと思想：一過性のタスクを超えて

OpenAgentsの中核的なミッションは、オープンで永続的なコラボレーションのためのAIエージェントネットワークを構築することにあります 。これは、単一の一時的なタスクを実行する孤立したエージェントに焦点を当てがちな従来のフレームワークとは一線を画すものです。
この分析は、エージェントが「仲間を発見し、問題に協力して取り組み、互いに学び、共に成長する」ことができる「永続的なコミュニティ」というコンセプトに焦点を当てます 。これは、タスク完了時にコンテキストが失われるタスクベースのシステムからの大きな脱却であり、時間とともに進化する「集合知」を育むというフレームワークの目標を明確に示しています 。この「無限のライフスパン」という思想は、エージェントが「常時オンライン」であり続け、関係を構築し、コミュニティのウィキや製品フィードバックフォーラムのような共有知識コモンズに貢献することを意味します 。

1.2. アーキテクチャの青写真：モジュール式のイベント駆動型コア

OpenAgentsは、柔軟性とスケーラビリティを重視して設計された「階層的でモジュール式のアーキテクチャ」を採用しています 。その中心には、エージェントと「モッド（mod）」間でイベントを配信する「堅牢なイベントシステム」が存在します 。この設計はコンポーネントを疎結合にし、非同期でノンブロッキングな通信を可能にすることで、スケーラブルな分散システムにとって不可欠な要素となっています。
さらに、このフレームワークはプロトコルに依存しないという特徴を持ち、WebSocket、gRPC、HTTP、そして特筆すべきはlibp2pといった、プラグイン可能なトランスポート層をサポートしています 。この柔軟性は、開発者が特定のユースケースに最適な通信プロトコルを選択できるという、重要な戦略的利点をもたらします。

1.3. トポロジーの二重性：中央集権型ネットワークと分散型ネットワーク

OpenAgentsの設計における洗練された特徴は、中央集権型（クライアントサーバー）と分散型（ピアツーピア）の両方のネットワークトポロジーを明確にサポートしている点にあります 。このアーキテクチャの二重性は、単なる技術的な選択肢ではなく、マルチエージェントシステムの未来に関する深い思想的表明と解釈できます。中央集権モデルは、予測可能性、監視可能性、明確な権限構造が求められるエンタープライズなどの管理された環境における現実的なニーズに応えます。一方、分散モデルは、「エージェントのインターネット」という野心的なビジョン、すなわち耐障害性、スケーラビリティ、検閲耐性、そして中央集権的なゲートキーパーのいない真のオープンコラボレーションを実現するための未来志向の技術基盤を提供します。このように、OpenAgentsは現在の実用的な要求に応えるための「オンランプ」を提供しつつ、よりラディカルで分散化された未来への橋渡し役を果たす「移行フレームワーク」として戦略的に位置づけられています。

• 中央集権モデル: このモデルは、エージェントの管理、監視、メッセージルーティングが一元化されたコーディネーター/レジストリサーバーを介して行われます。これは、管理された環境やエンタープライズでの導入に理想的です 。
• 分散モデル: こちらは、「エージェントのオープンなインターネット」というビジョンの基盤となるP2Pアーキテクチャです。このモデルでは以下の技術が採用されています。
  • libp2p: ピアツーピアの発見（mDNS経由）とトランスポートに使用されます 。これは、NATトラバーサルやトランスポートの非依存性といったlibp2pの広範な能力を活用し、回復力のあるP2Pネットワークを構築するための堅牢な選択肢となります 。
  • 分散ハッシュテーブル (DHT): エージェントのレジストリとして使用され、エージェントの場所や能力を保存するための中央サーバーを不要にします 。これは、単一障害点を持たない分散設計の要です。
  • GossipSubメッセージング: ブロードキャスト通信に使用され、中央のブローカーなしでネットワーク全体に効率的かつスケーラブルなメッセージ伝播を可能にします 。これはlibp2pのPubSubシステムの主要な機能です 。

1.4. コラボレーションツールキット：プロトコル、モッド、エージェント統合

OpenAgentsにおけるコラボレーションは、明確に定義されたプロトコル群によって支えられています。これらはエージェント間の「共通言語」として機能します 。

• Discovery Protocol: エージェントが自身を登録し、サービスを告知し、能力を広告する方法を定義します。
• Communication Protocol: ダイレクトメッセージング、Publish-Subscribeパターン、リクエスト-レスポンス型のインタラクションのためのメカニズムを提供します。
• Coordination Protocol: タスクがエージェント間でどのように分配され、交渉されるかを規定します。
• Identity, Heartbeat, Resource Management Protocols: ネットワークのセキュリティ、健全性、安定性を確保するための基盤サービスです。

さらに、「モッド駆動型アーキテクチャ」は、ネットワークの機能を拡張する強力な仕組みです。「モッド」は、エージェントが共有ウィキの作成、ドキュメントの共同編集、ゲームへの参加といった特定の活動で協調作業を行うことを可能にします 。これは、単にエージェントが呼び出す「ツール」という概念を超え、複数のエージェントが同時に相互作用できる、ネットワーク内に存在する永続的でステートフルな「共有アプリケーション」と見なすことができます。これは、複数のユーザーがGoogleドキュメントで共同作業するのに似た、より洗練されたコラボレーションモデルであり、複雑で長期にわたるデジタルコミュニティを構築するための重要な一歩です。
また、「Bring Your Own Agents」の原則は、OpenAgentsがAutoGenやCrewAIのような他の様々なフレームワークで構築されたエージェントを接続できる、相互運用可能なネットワーク層として設計されていることを示しています 。

1.5. 専門家による分析と位置づけ

OpenAgentsの主な強みは、そのアーキテクチャの二重性（中央集権的な制御と分散的な耐障害性の両立）、プロトコル非依存性、そして永続的なコミュニティベースのコラボレーションという明確なビジョンにあります。一方で、分散システムの管理に伴う固有の複雑さや、プロジェクトが現在「アルファ」段階であること は、すべての本番環境に即座に適しているわけではない可能性を示唆しています。
理想的なユースケースとしては、耐障害性や検閲耐性が重要となる大規模でオープンなエージェントエコシステム（例：分散型ソーシャルネットワーク、共同研究プラットフォーム、オープンマーケットプレイス）の構築が挙げられます。また、中央集権モードも、エンタープライズレベルのマルチエージェントオーケストレーションのための、より複雑ながらも実行可能な選択肢となります。
なお、本レポートでは、ユーザーの関心対象であるopenagents-orgに焦点を絞るため、類似の名前を持つ他のプロジェクト（オンチェーンフレームワークのOpenAgentやSRIの歴史的なOpen Agent Architectureなど）に関する情報は、明確に区別し、分析の対象外とします 。

第2章 マルチエージェントフレームワークのランドスケープ：比較分析

本セクションでは、OpenAgentsを競合エコシステムの中に位置づけ、他の主要な2つのフレームワークと設計思想および技術実装を比較することで、重要なコンテキストを提供します。この比較は、単なる機能の羅列ではなく、各フレームワークがどのような「コラボレーションのメタファー」に基づいているかを明らかにします。OpenAgentsがインフラ、プロトコル、オープンな発見に焦点を当てる様は、自律的なエンティティが共存し相互作用するための道路（プロトコル）、公共空間（モッド）、住所（エージェントID）を提供する**「デジタルシティ」の構築に例えられます。コラボレーションは創発的に生まれます。対照的に、AutoGenは構造化された対話、発言の順番、ネストされた対話に焦点を当てており、これはマネージャーが会話を主導し、専門家を呼び出し、特定の論点を解決するために分科会（ネストされたチャット）を開く「役員会議」に似ています。コラボレーションは対話を通じて編成されます。そしてCrewAIは、事前定義された役割と、シーケンシャルまたは管理されたタスクの引き継ぎに重点を置いており、各ステーション（エージェント）が製品に対して特定のタスクを実行し次に渡す「組立ライン」や、リーダー（マネージャー）が他のメンバーの行動を指示する「専門家チーム」**のようです。コラボレーションは手続き的に行われます。したがって、フレームワークの選択は、解決しようとしている問題に最も近いコラボレーションメタファーを持つものを選択するという、戦略的な決定となります。

2.1. MicrosoftのAutoGen：プラットフォームとして対話

AutoGenの中核的な抽象化は、構造化されたマルチエージェントの「対話」を通じて複雑なワークフローを編成することにあります 。ここでの基本的な作業単位は対話そのものです。主要なエージェントタイプ（AssistantAgent、UserProxyAgent、CodeExecutorAgent）と対話パターン（GroupChat、RoundRobinGroupChat）がその基盤を形成します 。
特に注目すべきは、階層的な対話（ネストされたチャット）のサポートです。これは、「外部」の対話における一人のエージェントの発言が、専門家チームとの「内部」のサブ対話全体をトリガーして応答を形成することができる機能です 。このパターンは、現実世界の委任や協議を効果的にモデル化します。また、AutoGenがより広範なMicrosoft Agent Frameworkへと進化している点も重要です。これは、AutoGenの対話における強みと、Semantic Kernelのエンタープライズグレードの機能（型安全性、監視可能性など）を組み合わせたものであり、堅牢なシステムへの戦略的な方向性を示しています 。

2.2. CrewAI：ロールプレイングを行うエージェントチームの編成

CrewAIは、「ロールプレイングを行う自律型AIエージェント」を編成するという、直感的で人間中心の設計思想に基づいています 。Agent（role、goal、backstoryを持つ）、Task、Crewといった中核的な抽象化は、人間の組織構造を模倣するように設計されています 。
CrewAIは、主に2つのワークフロー制御モデルを提供します。

• シーケンシャルプロセス: あるタスクの出力が次のタスクの入力となる単純な線形パイプラインで、直接的な複数ステップのプロセスに最適です 。
• 階層的プロセス: manager_llmまたはユーザー定義のmanager_agentが、全体的な目標に基づいてワーカーエージェントにタスクを動的に委任する、より高度なモデルです。これにより、クルー内に自律的なオーケストレーションと意思決定の層が導入されます 。これは中央集権的なトップダウン制御の一形態です。

エージェントとタスクの定義方法の詳細は、ドキュメントの例を通じて探ることができ、エージェントの行動を駆動する主要な要因として明確な役割定義が強調されています 。

2.3. 統合と比較：機能と思想のマトリックス

以下の比較表は、前述の分析を統合し、戦略的な意思決定ツールとして機能します。各フレームワークの特性を明確にし、一目で比較できるように構成されています。
表1：マルチエージェントフレームワークの比較分析

次元	OpenAgents	AutoGen	CrewAI
中核思想	永続的で協調的な「エージェントネットワーク」または「エージェントのインターネット」の構築。環境に焦点。	構造化された自動「対話」を通じて複雑なタスクを編成。ワークフローに焦点。	専門的な「ロールプレイング」エージェントチームを編成し、ミッションを遂行。チーム構造に焦点。
主要な抽象化	ネットワーク、プロトコル、モッド	対話、エージェント、グループチャット	エージェント、タスク、クルー、プロセス
アーキテクチャスタイル	プロトコル駆動、イベントベース。中央集権型と分散型の両トポロジーをサポート。	対話駆動。主にマネージャーまたはユーザープロキシによる中央集権的なオーケストレーション。	役割ベース、プロセス駆動。Crew内での中央集権的なオーケストレーション。
主要な連携パターン	Pub/Subメッセージング、ダイレクトメッセージング、明示的なプロトコル（例：GossipSub）によるリクエスト-レスポンス。	2エージェントチャット、グループチャット、ネスト/階層チャット（サブ対話）。	シーケンシャルなタスク引き継ぎ、マネージャーエージェントからの階層的なタスク委任。
分散化のサポート	ネイティブかつコア機能。 libp2p、DHT、GossipSubを使用し、真のP2Pネットワーキングを実現。	主要機能ではない。管理された、多くはローカルまたはクラウドベースの実行環境向けに設計。	主要機能ではない。Crewモデルは中央集権的なオーケストレーターを内包。
ヒューマンインザループ	ネットワーク内でのエージェントの相互作用を介して実装（例：人間がエージェントとして接続）。	UserProxyAgentを介して明示的にサポート。human_input_mode（”ALWAYS”, “NEVER”, “TERMINATE”）で設定可能。	Taskにhuman_input=Trueを設定することでサポート。ユーザーのフィードバックのために実行を一時停止。
理想的なユースケース	大規模でオープンなエコシステム、分散アプリケーション、協調プラットフォーム、高い耐障害性が求められるシナリオ。	複雑で自動化可能なワークフロー、コード生成と実行、研究シミュレーション、動的な対話フローを必要とするタスク。	ビジネスプロセスの自動化、コンテンツ作成パイプライン、専門的な役割に明確に分解できるタスク。

第3章 AI間連携のための基礎的パターン

本セクションでは、特定のフレームワークから一歩引いて、堅牢なマルチエージェントシステムを設計するために不可欠な普遍的なアーキテクチャパターンと原則について論じます。これは、将来的に連携をどのように実装すべきかというユーザーの核心的な問いに直接答えるものです。

3.1. オーケストレーションモデル：中央集権的な管理者から分散的な集合体まで

オーケストレーションモデル間の根本的なトレードオフは、学術的な調査や業界のベストプラクティスに基づいています 。この選択は、単なる技術的な決定ではなく、システムの「政治的構造」を決定し、信頼と制御に深い影響を与えます。中央集権的なオーケストレーターは「独裁制」または「管理階層」に例えられます。マネージャーエージェントが最終的な権限を持ち、明確に定義された問題に対しては効率的ですが、脆弱でマネージャーの欠点に影響されやすいです。一方、分散システムは「民主主義」または「自由市場」に似ています。エージェントは対等であり、秩序はローカルな相互作用と合意されたルール（プロトコル）から生まれます。これはより堅牢で革新的ですが、単純なタスクには混沌として非効率になる可能性があります。したがって、マルチエージェントシステムの設計者は、技術スタックを選択するだけでなく、信頼のレベル、トップダウン制御と創発的イノベーションの必要性、そしてシステム全体の倫理的目標を考慮して、社会技術システムを設計していると言えます。

• 中央集権的オーケストレーション: CrewAIの階層的プロセス やAutoGenのGroupChatManager に見られる「マネージャー」または「スーパーバイザー」パターンを分析します。利点には、予測可能な制御フロー、デバッグの容易さ、明確な権限系統が含まれます。欠点は、単一障害点と潜在的なパフォーマンスのボトルネックです。
• 分散的コーディネーション: OpenAgentsのP2Pアーキテクチャ によって可能になる、ローカルな相互作用から生まれる創発的なコラボレーションを探求します。自己組織化システムでよく見られるこのアプローチ は、予測可能性と制御を犠牲にする代わりに、より高い耐障害性、スケーラビリティ、適応性を提供します。
• また、エージェントが共有データスペースへの読み書きによって間接的に通信するブラックボードアーキテクチャも、歴史的かつ今日でも有効な調整モデルとして言及します 。

3.2. 通信と調整のプロトコル：エージェントの共通言語

標準化されたプロトコルは、相互運用可能でスケーラブルなMASの基盤です。クエリ-リプライ、Publish-Subscribe、ブローカーを介したメッセージングといった一般的な通信パターンと、それぞれのユースケースを探ります 。
特に、エージェントが能力に基づいて動的にお互いを見つけることを可能にするディスカバリープロトコルの重要性が強調されます。これはOpenAgentsで明示的に実装されている機能です 。エージェントの構成が時間とともに変化する可能性のある動的で適応的なシステムを構築するためには、この機能が不可欠です。

3.3. 階層的および構成的構造：エージェント組織の構築

複雑な問題解決のためにエージェントチームを構造化する方法を深く掘り下げます。

• 階層的委任: 高レベルのタスクが分解され、サブチームや個々の専門エージェントに委任されるこのパターンを詳細に分析します。具体的な実装例として、AutoGenのネストされたチャット とCrewAIの階層的プロセス を用います。このパターンは、複雑さを管理し、専門化を可能にする上で極めて重要です 。
• 構成的パターン: CrewAIのCrewやAutoGenのGroupChatのようなエージェントチーム全体を、より大きなワークフローのコンポーネントとして使用できる単一の「メタエージェント」として扱う概念について議論します。これにより、再利用可能で明確に定義された小規模な協調ユニットから、複雑なシステムを構築することが可能になります。

3.4. ヒューマンインザループ（HITL）の必須要件：安全性と品質の確保

自明でないアプリケーションにおいて、HITLは任意選択ではなく、安全性、説明責任、品質管理のための重要な設計要件です 。いくつかの主要なHITL実装パターンを分類し、分析します。

• 同期的承認: エージェントが実行を一時停止し、続行する前にユーザーからの直接的な入力（例：はい/いいえの確認）を待ちます。これは最も単純な形式のHITLです 。
• 対話的編集: エージェントが提案されたアクションや結果を編集可能な形式で提示し、ユーザーが実行前にパラメータを修正できるようにします。これにより、ユーザーはより詳細な制御が可能になります 。
• 非同期レビューキュー: 同時実行または長時間実行されるプロセスのために、エージェントは人間のレビューが必要なタスクを専用のキューに発行できます。人間の専門家はこれらのリクエストを独立して処理し、結果はコールバックやWebhookを介してエージェントにフィードバックされます。これは、エンタープライズレベルのHITLのためのスケーラブルなパターンです 。
• 定期的フィードバックと微調整: 人間がエージェントのワークフローの最終出力に対してフィードバックを提供し、それが時間とともにエージェントのプロンプト、ツール、または基盤となるモデルを改良するために使用されます。

第4章 未来のエージェント連携を実装するための戦略的ロードマップ

この最後の処方的なセクションでは、これまでのすべての分析を統合し、ユーザーのための実行可能な推奨事項のセットとして提示します。基礎的な選択から、先進的で未来志向のコンセプトへと進みます。

4.1. タスクに適したアーキテクチャの選択：意思決定フレームワーク

中央集権型、分散型、およびハイブリッドモデルの中から選択するための実践的なガイドです。

• 中央集権型（例：CrewAI, AutoGen）を使用する場合: 問題が明確に定義されており、ワークフローが予測可能で、明確な監査証跡が必要であり、トップダウンの制御が望ましい場合（例：企業の自動化）。
• 分散型（例：OpenAgents）を使用する場合: システムが高い耐障害性を持ち、大規模で未知数の参加者にスケーラブルである必要があり、検閲耐性が求められるか、または創発的でボトムアップのイノベーションを促進することが主な目標である場合（例：オープンプラットフォーム、コミュニティ主導のプロジェクト）。
• ハイブリッドモデルの検討: CrewAIのクルーのような中央集権的に編成されたチームが、分散型のOpenAgentsネットワークに単一の「ノード」または「メタエージェント」として接続するという高度な戦略を提案します。これにより、内部の効率性と外部の耐障害性という両方の利点を得ることができます。この構成的で多層的なアプローチこそが、スケーラブルで堅牢、かつインテリジェントなシステムを構築するための真の道筋です。

4.2. 効果的なエージェントペルソナと責任の設計

CrewAIの役割ベースのアプローチ とAutoGenの詳細なシステムメッセージの使用 から得られた、エージェント設計のベストプラクティスです。

• 単一責任の原則: 各エージェントは、明確に定義された一つの目的を持つべきです。
• 明確な目標と制約の定義: エージェントのプロンプトに詳細なバックストーリー、目標、制約を含めることで、その行動を効果的に導きます。
• ツールのスコープ設定: 各エージェントには必要なツールのみを割り当て、行動空間を減らし、誤用や混乱を防ぎます。

4.3. 堅牢な通信と状態管理の実装

分散したエージェントシステムにおける状態管理の技術的課題について議論します 。

• 共有メモリ: エージェントがコンテキストと状態を共有するために、外部データベース（例：Redis、ベクトルストア）やブラックボードシステムを使用します。
• メッセージパッシング: 特にHITLコンポーネントを持つシステムにおいて、非同期通信のために信頼性の高いメッセージングキュー（例：RabbitMQ, Kafka）を実装します 。
• コンテキストの伝播: CrewAIタスクのcontextパラメータ やAutoGenのチャット履歴要約 のように、タスク間で関連する履歴とコンテキストを渡すための技術。

4.4. 固有リスクの軽減：失敗の分類法

最近の学術研究に基づき、MASにおける一般的な失敗モードを特定し、軽減するための予防的ガイドを提供します 。MASTで特定された主要な失敗カテゴリを中心に分析を構成します 。

• 仕様の問題（Specification Issues）: （例：エージェントが役割に従わない、会話履歴を失う）。軽減策：厳密なプロンプトエンジニアリング、堅牢なメモリシステム。
• エージェント間の不整合（Inter-Agent Misalignment）: （例：情報の差し控え、他のエージェントの入力を無視、タスクの脱線）。軽減策：明確な通信プロトコル、適切な場合の明示的な階層制御、フィードバックループ。
• タスク検証（Task Verification）: （例：時期尚早な終了、不正確な検証）。軽減策：「批評家」または「レビュー担当者」エージェント（AutoGenやCrewAIの例で一般的なパターン）の実装と、堅牢なHITLチェックポイント。

4.5. 次なるフロンティア：自己組織化および適応型エージェントエコシステム

MASの未来を、単純なオーケストレーションを超えて探求する、未来志向の結論です。

• 自己組織化システム: 協調パターンがハードコーディングされるのではなく、単純なルールに従うエージェントのローカルな相互作用から創発するシステムについて議論します 。これにより、高度に適応的で耐障害性の高いシステムが実現します。
• 競合的共進化: 複数のエージェントまたはエージェントチームが競合する高度な概念を紹介します。パフォーマンスの低いエージェントは「淘汰」され、成功したエージェントは「進化」することで、動的で自己改善するエコシステムが生まれます。これは、戦略の陳腐化や「アルファの減衰」に対抗するための強力なメカニズムです 。
• MASのための連合学習: 連合学習のような技術をマルチエージェントシステムに適用する方法を探ります。これにより、エージェントはプライベートデータを公開することなく共有モデルやポリシーを共同で訓練でき、プライバシーとスケーラビリティにとって重要です 。

結論

本レポートは、OpenAgentsが次世代のオープンで分散化されたエージェントエコシステムを構築するための強力かつユニークな基盤を提供することを明らかにしました。しかし、その複雑さは慎重な検討を要します。これを、より制御されたワークフロー指向のアプローチを持つAutoGenやCrewAIと比較しました。最終的な結論として、マルチエージェントの設計は単なるツールの選択ではなく、制御と自律性、構造と適応性のバランスを慎重に取りながら社会技術システムを構築する規律として考えるべきであるという、第4章の戦略的推奨事項を改めて強調します。これにより、協調型AIの真のポテンシャルが解き放たれるでしょう。

引用文献

1. OpenAgents - AI Agent Networks for Open Collaboration - GitHub, 10月 11, 2025にアクセス、 https://github.com/openagents-org/openagents
2. Overview - OpenAgents, 10月 11, 2025にアクセス、 https://openagents.org/docs/getting-started/overview
3. OpenAgents, 10月 11, 2025にアクセス、 https://openagents.readthedocs.io/
4. OpenAgents - AI Agent Networks for Open Collaboration, 10月 11, 2025にアクセス、 https://openagents.org/
5. openagents - PyPI, 10月 11, 2025にアクセス、 https://pypi.org/project/openagents/
6. libp2p - IPFS Docs, 10月 11, 2025にアクセス、 https://docs.ipfs.tech/concepts/libp2p/
7. libp2p, 10月 11, 2025にアクセス、 https://libp2p.io/
8. OpenAgent Open Docs, 10月 11, 2025にアクセス、 https://docs.open.network/guide/openstack/openagent
9. The Open Agent Architecture: A Framework for Building Distributed Software Systems - Adam Cheyer, 10月 11, 2025にアクセス、 http://adam.cheyer.com/papers/oaa.pdf
10. Openagents: Features, Use Cases & Alternatives - Metaschool, 10月 11, 2025にアクセス、 https://metaschool.so/ai-agents/openagents
11. An open agent architecture - SciSpace, 10月 11, 2025にアクセス、 https://scispace.com/pdf/an-open-agent-architecture-4htqtahssh.pdf
12. AutoGen Tutorial: Build Multi-Agent AI Applications DataCamp, 10月 11, 2025にアクセス、 https://www.datacamp.com/tutorial/autogen-tutorial
13. AutoGen: An Agentic Open-Source Framework for Intelligent Automation - Medium, 10月 11, 2025にアクセス、 https://medium.com/@shravankoninti/autogen-an-agentic-open-source-framework-for-intelligent-automation-d1c374c46bbb
14. Multi-agent Conversation Framework AutoGen 0.2, 10月 11, 2025にアクセス、 https://microsoft.github.io/autogen/0.2/docs/Use-Cases/agent_chat/
15. Getting Started AutoGen 0.2 - Microsoft Open Source, 10月 11, 2025にアクセス、 https://microsoft.github.io/autogen/0.2/docs/Getting-Started/
16. Solving Complex Tasks with A Sequence of Nested Chats AutoGen 0.2, 10月 11, 2025にアクセス、 https://microsoft.github.io/autogen/0.2/docs/notebooks/agentchat_nested_sequential_chats/
17. Support hierarchical team conversations with human-in-the-loop approval in AutoGen Studio #7072 - GitHub, 10月 11, 2025にアクセス、 https://github.com/microsoft/autogen/discussions/7072
18. Solving Complex Tasks with Nested Chats AutoGen 0.2 - Microsoft Open Source, 10月 11, 2025にアクセス、 https://microsoft.github.io/autogen/0.2/docs/notebooks/agentchat_nestedchat/
19. Introduction to Microsoft Agent Framework, 10月 11, 2025にアクセス、 https://learn.microsoft.com/en-us/agent-framework/overview/agent-framework-overview
20. microsoft/autogen: A programming framework for agentic AI - GitHub, 10月 11, 2025にアクセス、 https://github.com/microsoft/autogen
21. What is crewAI? IBM, 10月 11, 2025にアクセス、 https://www.ibm.com/think/topics/crew-ai
22. Framework for orchestrating role-playing, autonomous AI agents. By fostering collaborative intelligence, CrewAI empowers agents to work together seamlessly, tackling complex tasks. - GitHub, 10月 11, 2025にアクセス、 https://github.com/crewAIInc/crewAI
23. CrewAI Framework 2025: Complete Review of the Open Source Multi-Agent AI Platform, 10月 11, 2025にアクセス、 https://latenode.com/blog/crewai-framework-2025-complete-review-of-the-open-source-multi-agent-ai-platform
24. CrewAI - AWS Prescriptive Guidance, 10月 11, 2025にアクセス、 https://docs.aws.amazon.com/prescriptive-guidance/latest/agentic-ai-frameworks/crewai.html
25. Ware are the Key Differences Between Hierarchical and Sequential Processes in CrewAI, 10月 11, 2025にアクセス、 https://help.crewai.com/ware-are-the-key-differences-between-hierarchical-and-sequential-processes-in-crewai
26. FAQs - CrewAI Documentation, 10月 11, 2025にアクセス、 https://docs.crewai.com/enterprise/resources/frequently-asked-questions
27. Hierarchical Process - CrewAI Documentation, 10月 11, 2025にアクセス、 https://docs.crewai.com/learn/hierarchical-process
28. CrewAI / Hierarchical Manager: Build Reflection Enabled Agentic by TeeTracker - Medium, 10月 11, 2025にアクセス、 https://teetracker.medium.com/crewai-hierarchical-manager-build-reflection-enabled-agentic-flow-8255c8c414ec
29. Does hierarchical process even work? Your experience is highly appreciated! - CrewAI, 10月 11, 2025にアクセス、 https://community.crewai.com/t/does-hierarchical-process-even-work-your-experience-is-highly-appreciated/2690
30. arxiv.org, 10月 11, 2025にアクセス、 https://arxiv.org/abs/2501.06322
31. Multi-agent collaboration - AWS Prescriptive Guidance, 10月 11, 2025にアクセス、 https://docs.aws.amazon.com/prescriptive-guidance/latest/agentic-ai-patterns/multi-agent-collaboration.html
32. What is Multi-Agent Collaboration? - IBM, 10月 11, 2025にアクセス、 https://www.ibm.com/think/topics/multi-agent-collaboration
33. Multi-agent system - Wikipedia, 10月 11, 2025にアクセス、 https://en.wikipedia.org/wiki/Multi-agent_system
34. (PDF) Self-Organization in Multi-Agent Systems - ResearchGate, 10月 11, 2025にアクセス、 https://www.researchgate.net/publication/220254381_Self-Organization_in_Multi-Agent_Systems
35. Multi-Agent Systems: The Next Big Shift In AI In The Loop Podcast - Mindset AI, 10月 11, 2025にアクセス、 https://www.mindset.ai/blogs/in-the-loop-ep6-multi-agent-systems-the-next-big-shift-in-ai
36. LLM Multi-Agent Systems: Challenges and Open Problems - arXiv, 10月 11, 2025にアクセス、 https://arxiv.org/pdf/2402.03578
37. What is a Multi-Agent System? IBM, 10月 11, 2025にアクセス、 https://www.ibm.com/think/topics/multiagent-system
38. Agents with Human in the Loop : Everything You Need to Know - DEV Community, 10月 11, 2025にアクセス、 https://dev.to/camelai/agents-with-human-in-the-loop-everything-you-need-to-know-3fo5
39. Implement human-in-the-loop confirmation with Amazon Bedrock Agents - AWS, 10月 11, 2025にアクセス、 https://aws.amazon.com/blogs/machine-learning/implement-human-in-the-loop-confirmation-with-amazon-bedrock-agents/
40. How to handle the Human in the loop for concurrent agents and topic-subscription based scenarios - Microsoft Learn, 10月 11, 2025にアクセス、 https://learn.microsoft.com/en-us/answers/questions/2168187/how-to-handle-the-human-in-the-loop-for-concurrent
41. AutoGen: Unleashing the Power of Multi-Agent Collaboration in AI by Rajratan gulab More, 10月 11, 2025にアクセス、 https://medium.com/@rajratangulab.more/autogen-unleashing-the-power-of-multi-agent-collaboration-in-ai-ca9a1dc45536
42. Conversation Patterns AutoGen 0.2 - Microsoft Open Source, 10月 11, 2025にアクセス、 https://microsoft.github.io/autogen/0.2/docs/tutorial/conversation-patterns/
43. [2502.14143] Multi-Agent Risks from Advanced AI - arXiv, 10月 11, 2025にアクセス、 https://arxiv.org/abs/2502.14143
44. Why Do Multi-Agent LLM Systems Fail? - arXiv, 10月 11, 2025にアクセス、 https://arxiv.org/pdf/2503.13657
45. [2503.13657] Why Do Multi-Agent LLM Systems Fail? - arXiv, 10月 11, 2025にアクセス、 https://arxiv.org/abs/2503.13657
46. Self-Organising Multi-Agent Systems - World Scientific Publishing, 10月 11, 2025にアクセス、 https://www.worldscientific.com/worldscibooks/10.1142/q0307
47. A Discussion on a Self-Organizing, Multi-Agent Architecture for Combating Alpha Decay, 10月 11, 2025にアクセス、 https://www.reddit.com/r/quant/comments/1mznzm2/a_discussion_on_a_selforganizing_multiagent/
48. A Multi-Agent Reinforcement Learning Approach for Efficient Client Selection in Federated Learning, 10月 11, 2025にアクセス、 https://ojs.aaai.org/index.php/AAAI/article/view/20894/20653
49. FLaMAS: Federated Learning Based on a SPADE MAS - MDPI, 10月 11, 2025にアクセス、 https://www.mdpi.com/2076-3417/12/7/3701
50. FLDQN: Cooperative Multi-Agent Federated Reinforcement Learning for Solving Travel Time Minimization Problems in Dynamic Environments Using SUMO Simulation - MDPI, 10月 11, 2025にアクセス、 https://www.mdpi.com/1424-8220/25/3/911