AIエージェント開発事例：自然言語の要件から専門コードを生成するエージェントの舞台裏

2026.9.18
株式会社Laboro.AI　機械学習エンジニアリング部 リードLLMエンジニア　許 佳辰
株式会社Laboro.AI　システムエンジニアリング部 部長　光岡 駿
株式会社Laboro.AI　機械学習エンジニアリング部 エンジニアリングマネージャー　内木 賢吾

概要

AIエージェント開発の面白さは、「エージェントが自律的に動く」という仕組みそのものだけでなく、その仕組みを実際の業務で使い続けられる形に仕上げる周辺のエンジニアリングにもあります。

本記事では、Laboro.AIが実際に手掛けたプロジェクトの一つを取り上げ、どのような課題にどう向き合ったのかを技術的な工夫とあわせて紹介します。

AIエージェントの基本的な仕組みや作り方の全体像については、AIエージェントの作り方とは？基本から実践的な活用事例までを徹底解説のコラムであわせて解説しています。

目次

・どんな課題に取り組んだのか
・技術的な工夫①：実際の文書構造に合わせたRAG設計と更新管理
・技術的な工夫②：顧客の業務に合わせたUI/UX
・技術的な工夫③：構造化出力の検証と実験管理
・まとめ：AIエージェント開発の面白さは周辺のエンジニアリングにもある

どんな課題に取り組んだのか

取り組んだのは、特定分野の技術文書の仕様に沿って、自然言語の要件から専門的なコードを生成するAIエージェントの開発です。ユーザーが「こういう処理を実現したい」と自然言語で要件を入力すると、顧客から提供された技術文書群の仕様に沿ってコードを生成する仕組みになっています。

最も重視したこと

設計で最も重視したのは、エージェントに過大な自由を与えないことでした。コードを書くたびに必ず技術文書を検索させ、その結果を根拠として使わせることで、モデル内部の一般知識だけに頼ってコードを書かせない設計にしています。また、コードを生成するだけで完結させず、実際のクライアントの業務に組み込まれることを前提に、生成の過程と根拠をユーザーが後から追えるようにしました。実運用に向けては一回のコード生成コストを抑える必要があり、生成品質とコストの均衡点を探ることもこのプロジェクトの大きなテーマでした。

技術的な工夫①：実際の文書構造に合わせたRAG設計と更新管理

対象分野の技術文書を単純にトークン数で機械的に分割するのではなく、章や項目といった意味のまとまり単位で文書を切り出し、その切片ごとにLLMで要約を作成しました。その要約をembedding化（意味の近さで検索できるよう文章を数値ベクトルへ変換すること）し、検索用データベースを構築しています。この設計により、巨大な文書全体を毎回読み込むことによるトークンの過剰消費と、トークン数ベースのチャンキングで起きがちな「意味のまとまりが途中で切られてしまう問題」の両方を抑え、検索精度・速度・コストのバランスを取りました。

さらに、このRAGデータベースにはユーザーが自分で文書をアップロードして検索データを更新できるインターフェースを用意し、バージョン管理・ロールバックの仕組みや、各項目が文書のどの章・節に位置するかという構造情報の管理もあわせて持たせています。

技術的な工夫②：顧客の業務に合わせたUI/UX

UI/UXも、顧客の実際の開発・検証作業に合わせてカスタマイズしました。最終的なコードだけを表示するのではなく、ユーザー要件をどのように分解したか、修正前後のコード、生成の根拠になった文書を確認できるようにしています。

さらに、生成結果は顧客が普段使っている業務システムにそのまま取り込める形式で出力できるようにし、生成からその後の確認作業までを一続きの業務フローとして扱えるようにしました。これにより、生成結果を手作業で転記する負担とミスを減らしています。

技術的な工夫③：構造化出力の検証と実験管理

構造化されたデータ（JSONやCSV、XMLなど、項目と値が決まった形式で整理され、プログラムが機械的に読み取りやすいデータ）を出力するエージェントの後段には、検証プログラムを置きました。LLMの出力をそのまま次工程に渡すのではなく、出力を整理し、必要な部分を後続のエージェントに分配し、データベースに書き込み、エラー処理を行う仕組みです。しかも、こうした検証・整形ロジックは実験を進める中で頻繁に変わるため、実験仕様ごとにコードをバージョン管理する必要がありました。

まとめ：AIエージェント開発の面白さは周辺のエンジニアリングにもある

この事例を一言でまとめると、AIエージェント開発の面白さは、実はAIエージェント本体の開発だけでなく、モデルが最新の根拠に基づき、検証可能な形で成果物を作れるようにする周辺のエンジニアリングにもあるということです。実際の文書構造に合わせたRAGの作り方とその更新管理、構造化出力の検証、業務に接続するUI/UXまで含めて初めて、業務で使えるAIエージェントに近づきます。

Laboro.AIでは、こうした業務の実情に合わせたAIエージェントのカスタム開発を数多く手掛けています。自社の業務に合わせたAIエージェント開発を検討されている方は、以下のページもあわせてご覧ください。

【参考】Laboro.AIのAIエージェント／生成AI領域の取り組み

執筆

機械学習エンジニアリング部 リードLLMエンジニア　許 佳辰

名古屋大学大学院環境学研究科社会環境学専攻修士課程終了。卒業後、広告業界の企業において自然言語処理を中心に機械学習モデルの開発と実装を担当した。2020年にLaboro.AIに参画し、現在はLLM関連の各種PoCとシステム開発に参加している。

監修

システムエンジニアリング部 部長　光岡 駿

東北大学理学部物理学科卒業後、仙台のアプリ・システム開発会社に入社。自身が主催する勉強会が宮城大学との共同研究へと発展。「仙台X-TECH イノベーションアワード2023」最終プレゼンター選出など、幅広い活動を通じてシステム開発の実践を積む。2023年、Laboro.AIに1人目のシステム開発エンジニアとして参画し、「AI×システム開発」の領域をリード。2025年9月期エンジニアリング部MVP受賞。2026年よりシステムエンジニアリング部 部長。

機械学習エンジニアリング部 エンジニアリングマネージャー　内木 賢吾

名古屋大学大学院工学研究科電子情報システム専攻修士課程修了。在学中は自然言語処理の質問応答システムを研究。卒業後は、ハードウェアエンジニアとして車載向け実験機器の開発に従事したのち、自動車会社のR＆D組織にて車載向け音声認識システムのフロントエンド処理に関する研究開発を担当。2019年にLaboro.AIに機械学習エンジニアとして参画し、NLP領域を中心にカスタムAI開発に従事。2025年よりエンジニアリングマネージャーとしてLLMチームを牽引。