LinkedInで Cala のチームが共有した、エージェントが知識グラフへアクセスする3つの方法を提供するMCPサーバを出荷したという興味深い発見を見かけました。方法は自然言語クエリ、構造化クエリ言語、そして直接的なエンティティ/リレーションシップのトラバーサルです。
彼らはエージェントがデフォルトで自然言語を選ぶと予想していました。これはLLMsの本来の狙いですよね？
いいえ。ほとんどのエージェントは数分以内に自然言語を放棄し、独自に構造化クエリとグラフ探索へ切り替えました。プロンプトも促しも不要です。
考えてみると、これは意味を成します。LLMsは「効率的」であるように明確に訓練されているわけではなく、正確さ（RLHF を通じて）を訓練されています。しかし正確さは副作用として彼らを効率的に振る舞わせます。彼らは解決へ至る最短の信頼できる経路を学習します。自然言語は解釈レイヤーを追加する損失の大きいインターフェースで、構造化クエリが決定的な結果を与える場合、エージェントには不要です。
つまり、3つの扉が与えられたとき、彼らは最も“自然”と感じる選択肢ではなく、不確実性を最小化する道を選んだのです。
これが提起するいくつかの疑問:
- エージェントツール作成において自然言語インターフェースに過度に依存していませんか?
- MCP サーバはデフォルトで構造化/グラフベースのアクセスパターンを NL より優先すべきですか?
- エージェントが決定論的な経路を好む場合、ツール設計についての考え方は変わりますか?
他の人が何を見ているのか気になります。エージェントツールを作っている方で、同様のパターンを見かけた人はいますか？
[リンク] [コメント]
