教育用AIエージェントのスケーリング法則

大規模言語モデル（LLMs）のスケーリング法則は、モデルパラメータ、トレーニングデータ、計算資源といった次元に沿って広く研究されてきたが、LLMベースの教育エージェントのスケーリング挙動はまだ十分には検討されていない。私たちは、教育エージェントの能力は基盤となるモデルサイズだけでなく、私たちが総称的に「エージェント・スケーリング・ロー（Agent Scaling Law）」と呼ぶ構造化された次元を通じてスケールすると提案する。これらの次元は、役割定義の明確さ、スキルの深さ、ツールの充実度、実行時の能力、および教育者の専門知識の注入である。この枠組みの中心となるのは AgentProfile で、教育エージェントの体系的な能力成長を可能とする構造化された JSON ベースの仕様である。私たちは EduClaw を提示する。これはこのスケーリング法則を実装するプロファイル駆動型のマルチエージェント・プラットフォームであり、K-12の科目全体にわたる330超の教育エージェント・プロフィールと1,100超のスキルモジュールを構築・展開することで、その有効性を示している。私たちの経験的観察は、教育エージェントの性能がプロファイルの構造的豊かさに応じて予測可能にスケールすることを示唆している。ツール・スケーリングとスキル・スケーリングという二つの補完的なスケーリング軸を今後の方向性として特定し、より有能な教育AIへの道は、単に大きなモデルだけではなく、構造化された能力システムを強化することにあると主張している。