正本: llm-agent-concepts-comparison.md / 基準日: 2026-09-05 / 29見出し

LLM Agent Concepts Comparison

Anthropic / OpenAI / MCPの概念を、Claude CodeやCodexだけに閉じないAgent Engineeringの地図として比較する。

基準日: 2026-09-05 目的: Prompt、Context、Tool、Host、Agent、Verificationの関係を共通モデルで理解し、ローカルAgentへ設計原則を移す。

ラベル

• Equivalent: 目的・責任・ライフサイクルがほぼ同じ。
• Similar: 似た目的だが、実行場所、所有権、状態、UI、Schemaなどが違う。
• Different: 名前は近いが設計責任が異なる。
• No direct equivalent: 一方に同じ責任範囲を持つ公式概念がない。

「Equivalent」はAPI互換を意味しない。ベンダー間の交換可能性を判断するには、表のNotesと元の公式Docsを読む。

Part 1 — Universal Mental Model

1.1 共通のAgent architecture

このモデルで、各ベンダーの名称を次のように置き換えられる。

1.2 Agentの最小条件

一般化した定義では、Agentは「モデルが出力した文章を表示するだけ」のものではない。少なくとも次のうち、モデルが次の処理を選び、Hostが結果を再びContextへ戻すloopがある。

1. Goalと制約がある。
2. Modelが次のTool / branch / answerを選ぶ。
3. Hostが選択を検証して実行する。
4. Observationを次のContextへ追加する。
5. Stop conditionまたはVerificationがある。

ただし、毎回モデルが自由に計画する必要はない。固定されたWorkflowでも、途中にModel callとTool executionがあればAgentic systemの一種になり得る。AnthropicはWorkflowとAgentを「事前定義のコード経路」と「モデルが動的にプロセスを指揮すること」で区別する。

Part 2 — Concept Map

2.1 包含関係

この図の矢印は「実装上いつも親子である」という意味ではなく、設計上の関心がどこに含まれるかを示す。

2.2 用語の短い定義

2.3 Prompt、Context、Memory、Knowledge

Knowledgeは、会社のDB、ファイル、Web、コード、規約そのもの。Memoryは、将来役立つと判断して保存した一部。RetrievalはKnowledgeやMemoryから今回必要な部分を選ぶ処理。Contextは、その結果にInstructions、Tool定義、会話履歴、観測を合わせた今回の入力である。

したがって、Knowledgeを増やすだけでは回答品質は上がらない。Retrievalの選択、Contextの順序、出典、鮮度、削除、secret filteringが重要になる。

2.4 Tool、Function Calling、MCP

Toolは概念であり、Function CallingはAPIの呼び出し形式、MCPは外部ToolやResourceやPromptを接続・発見する標準Protocolである。Function CallingがあってもMCPは不要な場合があるし、MCP Serverを接続しても、モデルに対するToolの見せ方と実行許可はHostが設計する。

2.5 Skill、Hook、Subagent

Skillは「必要なときに詳細な知識・手順をロードする」ためのbundleに近い。Hookは「eventが起きたら同じ処理を実行する」ための決定的な境界。Subagentは「別のContext・役割・Tool・実行場所でloopを分ける」ための委譲単位である。

三つをPromptの別名として扱うと、目的が崩れる。

Part 3 — Anthropic vs OpenAI

3.1 中核概念対応表

3.2 重要な非対称性

Anthropicの公式記事はWorkflowとAgentの定義を明示し、Claude Codeの拡張はCLAUDE.md、Skill、MCP、Subagent、Hookという役割別の境界で説明する。一方、OpenAIの現行Agents guideは、Responses APIとAgents SDKのloop ownership、HandoffsとAgents as toolsの会話所有権、GuardrailsとHuman review、TracesとGradersを明示する。

この差から「AnthropicはWorkflow中心、OpenAIはAgent中心」と断定するのは不適切である。両社ともWorkflow、Tool、Agent、State、Guardrail、Evalを扱う。公式Docsが強調する抽象化と製品名が違うだけで、実装判断は共通Mental Modelへ戻して比較する。

3.3 Claude CodeとCodex

「CLAUDE.mdをAGENTS.mdに名前変更すれば互換」ということではない。Discoveryと優先順位が製品の仕様なので、両方を使うなら共有規約・製品固有規約・強制Policyを分離する。

Part 4 — Product-specific vs General

4.1 General LLM concept

次は特定ベンダーが変わっても設計対象として残る。

4.2 Vendor-specific implementation

4.3 読み替えルール

1. 製品の名前を消しても意味が残る説明は一般原則として扱う。
2. Field name、CLI option、config file path、SDK classはVendor-specificと記録する。
3. 「同じ目的」と「同じprotocol」「同じsecurity guarantee」を分ける。
4. 対応が見つからない概念はNo direct equivalentと書き、無理な一対一対応を作らない。
5. 公式が明言していない思想は、実務上の解釈または一般化した原則とラベル付けする。

Part 5 — ローカルAgent構築への応用

5.1 必須コンポーネント

Required

• Model server: ローカルまたはリモートの推論Endpoint。
• Prompt builder: system/developer/user/dataの分離。
• Context manager: token計測、truncation、retrieval、compaction。
• Tool registry: 名前、description、JSON Schema、side effect、権限。
• Dispatcher: callの実行、timeout、retry、idempotency。
• Validation: schemaだけでなく業務認可と対象確認。
• Agent loop: 最大ターン、stop condition、エラー処理。
• Permission layer: allow、deny、approval、監査。
• Memory / retrieval: Knowledgeを必要時に取得。
• Logging / eval: trace、結果、失敗、回帰を保存。

Optional

• MCP Client / Server。
• Skill loaderとresource bundle。
• Subagent orchestration。
• Hook / middleware。
• Queue、background worker、streaming UI。

5.2 最小Tool loop

def local_agent(goal, model, tools, max_turns=6):
    context = [{"role": "user", "content": goal}]

    for turn in range(max_turns):
        model_output = model.generate(
            instructions=SYSTEM_RULES,
            context=context,
            tools=tools,
        )
        context.append(model_output)

        calls = model_output.get("tool_calls", [])
        if not calls:
            return verify_final(model_output)

        for call in calls:
            args = parse_json(call["arguments"])
            validate_schema(call["name"], args)
            require_permission(call["name"], args)
            result = dispatch(
                call["name"],
                args,
                timeout_seconds=20,
                idempotency_key=call["id"],
            )
            context.append({
                "role": "tool",
                "tool_call_id": call["id"],
                "content": bound_result(result),
            })

    return {"status": "incomplete", "reason": "max_turns"}

ローカルModelがTool callをネイティブに出せないときも、Structured outputでaction objectを出し、同じvalidation → permission → execute → observationの流れへ接続できる。ただし、Parserの失敗、曖昧な引数、モデルの幻覚したTool名を拒否する。

5.3 ローカルで最も重要な順序

1. 読み取り専用Toolでround tripを作る。
2. JSON Schemaと業務認可を分ける。
3. timeout、retry、max turns、ログを入れる。
4. side effect Toolの前にapprovalとidempotencyを入れる。
5. Sandboxとsecret boundaryを入れる。
6. Context compactionとmemoryを追加する。
7. MCP、Skills、Subagentsを、必要な問題が明確になってから追加する。
8. Dataset、trace、grader、regression testでModel変更を監視する。

5.4 典型的な失敗

学習ロードマップ

1. Prompt / Instructions / Contextの区別を理解する。
2. Function callingのcall → execute → resultを自分で書く。
3. Schema、error、timeout、retry、approvalをTool契約へ入れる。
4. WorkflowとAgent loopを比較し、必要な自由度を決める。
5. MCPのHost–Client–Server、Tools / Resources / Promptsを読む。
6. Claude CodeのCLAUDE.md / Skills / Hooks / Subagents / Permissionsを製品例として読む。
7. OpenAIのResponses API / Agents SDK / Handoffs / Guardrails / Evalsを読む。
8. CodexのAGENTS.md / Skills / Subagents / Sandboxを別製品面として読む。
9. 自分のローカルAgentへContext、Policy、Verificationを移植する。

まとめ

AnthropicとOpenAIの公式概念を横断すると、中心にあるのは「Modelへより多くの権限を与えること」ではなく、GoalからOutputまでの状態・実行・検証をHostが設計することだと分かる。

• PromptはInstructionsの書き方。
• Contextはそのターンへ入れる全状態。
• Memory / RetrievalはKnowledgeを必要時に選ぶ仕組み。
• Toolは外部世界へ接続する契約。
• Function Callingは一つのAPI形式。
• MCPは外部Capabilityを標準化するProtocol。
• Skillは知識・手順・資産の遅延ロード単位。
• Hookは決定的なlifecycle処理。
• AgentはModelがloopの次の分岐を選ぶ構成。
• Guardrail、Sandbox、HITL、EvalはAgentの自由度を安全に運用する境界。

Sources

• Building effective agents — Anthropic
• Effective context engineering for AI agents — Anthropic
• How Claude Code works
• Extend Claude Code
• MCP Architecture
• MCP Lifecycle
• MCP Tools
• Agents SDK — OpenAI API
• Orchestration and handoffs — OpenAI API
• Guardrails and human review — OpenAI API
• Evaluate agent workflows — OpenAI API
• Conversation state — OpenAI API
• Using tools — OpenAI API
• Custom instructions with AGENTS.md
• Subagents — ChatGPT Learn