第2週では、ローカルLLMを使ってツール（関数）を呼び出し、AIが判断した内容を実際の処理につなげる仕組みを実装しました。
これにより、AIは「答えるだけ」ではなく、「行動する」ことができるようになりました。
しかし、現時点ではまだ1回の判断と実行で処理が終了する単発の動きです。
実際のAIエージェントは、状況に応じて何度も判断を繰り返しながら、目的を達成するまで動き続けます。
本記事では、AIが「終わるまで考え続ける」ループ型エージェントを実装していきます。
AIエージェントとは
AIエージェントとは、入力に対して一度だけ応答するのではなく、状況に応じて判断と実行を繰り返し、目的達成まで処理を継続する仕組みです。
第3週では、その「繰り返し処理（ループ）」を実装します。
学習ロードマップ
| 週 | 内容 |
|---|---|
| 第1週 | チャット + JSON出力 |
| 第2週 | ツール呼び出し |
| 第3週 | ループ型エージェント |
| 第4週 | マルチエージェント |
作業環境について
本記事は、第1週の内容を前提として進めています。
そのため、以下の環境がすでに整っている状態を想定しています。
- ローカルLLM実行環境：Ollama
- 使用モデル：qwen3
- Python仮想環境（venv）
- ollama Pythonライブラリのインストール済み
作業環境の準備ができていない場合
第1週の記事で、環境構築からJSON出力までを解説しています。
未実施の場合は、先に第1週から進めることをおすすめします。
AIエージェント入門｜ローカルLLMで学ぶチャットとJSON出力【第1週】
第3週のゴール
この週では、AIエージェントの「継続的に動く仕組み」を理解します。
- AIが複数回判断できる
- 処理を繰り返せる
- 完了条件まで動き続ける
なぜループが必要なのか？
第2週では、AIが判断した内容をもとに関数を呼び出し、実際の処理を実行する仕組みを作りました。
これにより、AIは「答えるだけ」でなく「行動する」ことができるようになりました。
しかし、この仕組みにはまだ重要な制約があります。
なぜ処理を繰り返す必要があるのか？
第2週の処理の流れは次の通りです。
AIが判断 → 関数を実行 → 終了一見すると問題なさそうですが、この流れでは1回の処理で必ず終了してしまうという特徴があります。
AIは1回の判断だけでは、処理が本当に完了したかどうかを検証できません。
1回の判断では不十分な理由
例えば「タスクを追加する」という処理でも、次のような点を確認する必要があります。
- 本当にタスクが追加されたか
- 同じ内容が重複していないか
- 他に必要な処理が残っていないか
これらはすべて、関数を実行した後の状態を見ないと判断できません。
重要なポイント
ここで押さえておきたいのは、AIが見ている情報の範囲です。
AIは最初、関数を実行する前の状態しか知らない
しかし実際には、次のような流れが必要になります。
実行後の状態を確認する
↓
次の行動を決めるつまり、結果を見てから次を判断する仕組みが必要になります。
だからループが必要になる
この問題を解決するのが、ループという仕組みです。
判断
↓
実行
↓
結果を確認
↓
再判断
↓
必要なら続けるAIは一度で終わるのではなく、
- 実行結果を確認し
- 必要であれば再度判断し
- 次の処理を決める
という流れを繰り返します。
実装してみる
完成コード
loop_agent.py
from ollama import chat
def add_todo(task: str) -> str:
return f"タスクを追加しました: {task}"
TOOLS = [
{
"type": "function",
"function": {
"name": "add_todo",
"description": "新しいToDoを追加する",
"parameters": {
"type": "object",
"properties": {
"task": {"type": "string"}
},
"required": ["task"]
}
}
}
]
messages = [
{"role": "system", "content": "あなたはToDo管理エージェントです。"},
{"role": "user", "content": "牛乳を買うタスクを追加して"}
]
for _ in range(5): # 最大5回ループ
response = chat(
model="qwen3",
messages=messages,
tools=TOOLS,
)
message = response["message"]
messages.append(message)
tool_calls = message.get("tool_calls", [])
if not tool_calls:
print("最終回答:")
print(message.get("content", ""))
break
for tool_call in tool_calls:
name = tool_call["function"]["name"]
args = tool_call["function"]["arguments"]
if name == "add_todo":
result = add_todo(args["task"])
messages.append({
"role": "tool",
"content": result
})ここが重要（処理の流れを分解）
ループ型エージェントでは、同じ処理を繰り返しながら目的に近づいていきます。
その中で重要なポイントを順番に見ていきます。
① ループしている
for _ in range(5):最大5回まで処理を繰り返しています。
ここでは「無限ループ」を防ぐために、回数に上限を設けています。
エージェントは本来「終わるまで続ける」ものですが、安全のために制限をかけているというイメージです。
② AIの出力を蓄積する
message = response["message"]
messages.append(message)AIの返答を会話履歴に追加します。
これによりAIは、
- これまでに何をしたか
- どんな結果が出たか
を踏まえて、次の判断ができるようになります。
これは過去の情報を覚えながら考える仕組みです。messagesは以下の様に情報が追加されていきます。
参考：Generate a chat message – Ollama
③ 結果をAIに戻す
messages.append({
"role": "tool",
"content": result
})関数の実行結果をAIに渡すために、会話履歴に追加します。
AIはこの情報をもとに、
- 処理が成功したか
- 次に何をするべきか
を判断します。
ここまでの会話履歴
messages = [
{"role": "system", "content": "あなたはToDo管理エージェントです。"},
{"role": "user", "content": "牛乳を買うタスクを追加して"},
# --- AIからの回答が追加された ---
{
"role": "assistant",
"content": "",
"tool_calls": [{"function": {"name": "add_todo", "arguments": {"task": "牛乳を買う"}}}]
},
# --- 関数の実行結果が追加された---
{
"role": "tool",
"content": result
}
]④ 終了条件のチェック
tool_calls = message.get("tool_calls", [])
if not tool_calls:
print("最終回答:")
print(message.get("content", ""))
breakmessage.get("tool_calls", [])
AIの回答（message）の中に、tool_calls（関数の実行指示）が含まれているか確認します。
・含まれていない場合: デフォルト値として空のリスト [] を代入します。
・含まれている場合: その指示リストを取得します。
if not tool_calls:tool_calls が空（[]）の場合は、AIは「関数（ツール）を動かす必要はない。」と判断したことを意味します。
関数の流れまとめ
この4つをつなげると、以下の流れになります。
AIが判断する
↓
関数を実行する
↓
結果をAIに戻す
↓
AIが再判断する
↓
終わるまで繰り返す※AIエージェントは「1回で終わる処理」ではなく、「結果を見ながら何度も考え直す」仕組みになっています。
関数の実行
Git Bashで、保存したフォルダに移動してから実行します。
./.venv/Scripts/python.exe loop_agent.py上記コマンドは、第１週で構築したPython仮想環境での実行例です。
Python仮想環境の構築に関しては、第１週ステップ5およびステップ６を参考にしてください。
正常に動けば、AIからの返答がターミナルに表示されます。
最終回答
牛乳を買うタスクをリストに追加しました！第2週との違い
| 項目 | 第2週 | 第3週 |
|---|---|---|
| 実行回数 | 1回 | 複数回 |
| 処理 | 単発 | ループ |
| エージェント性 | 低い | 高い |
AIエージェントの本質
AIは、1回だけ判断して終わるのではなく、
結果を見ながら何度も考え直すことで、正しい状態に近づいていきます。
役割分担
この仕組みは、次のように分かれています。
AI → 何をするかを判断する（考える）
Python → 実際の処理を実行する（動く）※AIは処理を直接実行するのではなく、「次に何をするか」を判断し続ける役割を担っています。
3週のまとめ
この週では、AIエージェントの「繰り返し動く仕組み」を学びました。
1. AIは繰り返し判断できる
AIは一度判断して終わるのではなく、
結果を見ながら何度も考え直すことができます。
2. 処理を続けることで目的に近づく
1回の処理で完了しなくても、
判断と実行を繰り返すことで、少しずつ正しい状態に近づいていきます。
3. これが「エージェントらしさ」
AIが
- 考える
- 実行する
- 結果を見てまた考える
という流れを繰り返すことで、
単なる会話AIではなく「自律的に動く存在」になります。
ここまでで、AIは単独で判断し続けることができるようになりました。
しかし実際のシステムでは、1つのAIだけではなく、役割ごとに複数のAIが協力して動くことが多くなります。
第4週では「司令塔＋実行役」のマルチエージェント構成を作ります。
AIエージェント入門｜マルチエージェント構成の作り方【第4週】
