LiteLLM と LangGraph で MCP サーバーのツールをエージェントから利用する

AIエージェントを使って実務を任せる際、プロンプト精度より先に解決すべきは「仕事の進め方」であることを発見。AGENTS.md にタスク範囲、実行前計画、危険な操作の停止条件を記した「就業規則」として機能させることで、複数エージェントの並列運用と壊滅的失敗の防止を両立させた。2026年のAI開発は「プログラミング」からマネジメントへ軸足を移し、建設現場の現場監督ノウハウが直結する領域へ。

AI エージェントは2026年5月に「賢いチャット」から「仕事の受け渡し」へ段階が変わった。コードレビュー・ドキュメント生成・定型財務レビュー・初期応対は安心して任せられる一方、アーキテクチャ決定・セキュリティ実装・顧客契約・倫理判断は人間が握るべき。失敗コスト・可逆性・監査ログ・影響範囲の4軸で境界線を引き、半年ごとに再評価する習慣が実務者の差になる。

半年間 OpenClaw で個人用 AI Agent 環境を運用してきた著者が、Claude Managed Agents への移行を決めた背景を述べる。マルチエージェント設計の有効性、本番運用の課題、設計の不確実性など半年の運用で得た知見をふまえ、Anthropic 公式の harness へ移す決断に至った理由を振り返る連載の第一話。

Agentic Engineering の 8 段階フレームワークを用いて、組織の AI 活用度を可視化する実践ガイド。現実解は L7（サブエージェント + 責務分割 + AI 同士レビュー）であり、多くの企業が位置する L5（MCP/Skills 活用）では品質保証が人間頼みになる危険ゾーンであることを警告。L8（自律型エージェントチーム）はまだコスパ合致していない。