マルチエージェント・コーディネータとしての Gemma 4 E2B：タスク分解、ツール呼び出し、多ターン——うまくいく

Gemma 4 E2Bが、チャットだけでなくマルチエージェント構成でのコーディネーター役を担えるのかを見たかったです。つまり、実際に難しい部分——目標を受け取り、タスクグラフに分解し、エージェントを割り当て、ツールを呼び出して、結果をつなぎ合わせる——です。

短い答え：動きます。自分のフレームワーク open-multi-agent（TypeScript、オープンソース、OpenAI互換API経由でOllama）でテストしました。

コーディネーターがやるべきこと：

1. 自然言語の目標＋エージェント一覧を受け取る
2. JSONのタスクリストを出力する（タイトル、説明、担当者、依存関係）
3. 各エージェントはツール呼び出し（bash、ファイルの読み書き）で実行する
4. コーディネーターが全ての結果を統合する

E2Bに関する簡単な注記："Effective 2B" — 有効パラメータが2.3B、総パラメータが5.1B。追加の約2.8Bは、140以上の言語／マルチモーダル対応のための埋め込み層です。したがって実際の計算量は2.3Bです。

テストした内容：

次の目標を与えました：

"このマシンのNode.jsのバージョン、npmのバージョン、OS情報を確認し、その後/tmp/report.mdに短いMarkdown要約レポートを書き込む" 

E2Bは正しく：

• 依存関係（researcher → summarizer）を持つ2つのタスクに分解した
• それぞれを適切なエージェントに割り当てた
• bashを使ってシステムコマンドを実行した
• file_writeを使ってレポートを保存した
• 最終出力を統合した

runTasks()（明示的なパイプライン）とrunTeam()（モデルが全てを自律的に計画）の両方が動きました。

M1 16GBでの性能：

https://preview.redd.it/y3cs90pbzysg1.png?width=1040&format=png&auto=webp&s=2f8169affe76ea5018fc9fb7e2286e00ead6e224

runTasks()（明示的なパイプライン）は約80秒で完了しました。runTeam()（モデルが全てを計画）は約3.5分——追加の時間は、最後にタスクグラフを計画し、結果を統合するコーディネーターの処理によるものです。モデルはディスク上で7.2GBで、16GBに収まりますが、余裕はあまりありません。

まだe4bや26Bはテストしていません——まず最小のバリアントで下限を探ることにしました。

うまくいった点、そうでない点：

• JSON出力 — コーディネーターには、タスク分解用の特定のスキーマを生成する必要があります。私の実行ではE2Bはそれを正しく行いました。フレームワークには寛容なパースがあり（まずフェンス付きブロックを試し、次にむき出し配列の抽出にフォールバックする）、それも役立っています。
• ツール呼び出し — OpenAI互換エンドポイント経由で動作します。呼び出すべきタイミングを正しく判断し、引数をパースし、多ターンの結果も処理します。
• 出力品質 — 動きますが、2.3Bモデルであることは分かります。タスク分解とツール使用はしっかりしていますが、最終の統合で書かれる文章は、大きめのモデルから得られるものより明らかに弱いです。機能は果たしますが、磨き込まれてはいません。

再現する：

ollama pull gemma4:e2b git clone https://github.com/JackChen-me/open-multi-agent cd open-multi-agent && npm install no_proxy=localhost npx tsx examples/08-gemma4-local.ts 

約190行、完全なソース：examples/08-gemma4-local.ts

（no_proxy=localhostはHTTPプロキシを設定している場合にのみ必要です）