AIエージェント活用ガイド

はじめに

近年、AIエージェントが注目を集めていますが、クラウド上のLLMを利用するとプライバシーやコストの懸念があります。そこで、ローカルで動作するLLM（ローカルLLM）とAIエージェントを組み合わせることで、オフラインかつプライベートな環境でエージェントを実行できます。本チュートリアルでは、Ollamaを使ってローカルLLMをセットアップし、AIエージェントと連携する方法を具体的に解説します。

ローカルLLMとAIエージェントのメリット

プライバシー: データが外部に送信されないため、機密情報を扱う業務に最適です。

オフライン動作: インターネット接続が不要なため、安定した動作が可能です。

コスト削減: API費用がかからず、一度セットアップすれば無料で使い放題です。

カスタマイズ性: モデルやプロンプトを自由に変更でき、用途に合わせたエージェントを構築できます。

必要なもの

Ollamaが動作する環境（Windows, macOS, Linux）

Python 3.8以上

基本的なコマンドライン操作の知識

ステップ1: Ollamaのインストールとモデル準備

1.1 Ollamaのインストール

Ollama公式サイトからOSに合ったインストーラをダウンロードし、インストールします。

<h1>Linux/macOSの場合（curl経由）</h1>
curl -fsSL https://ollama.com/install.sh | sh

1.2 モデルのダウンロード

Ollamaは多くのモデルをサポートしています。ここでは軽量で性能の良い「Mistral」を使用します。

ollama pull mistral

ダウンロードが完了したら、以下のコマンドで動作確認します。

ollama run mistral "Hello, how are you?"

ステップ2: AIエージェントの設計

シンプルなタスク実行エージェントを作成します。エージェントはユーザーの指示を解析し、適切なアクションを実行します。今回は「ファイル操作」を例にします。

2.1 機能一覧

ファイル一覧の表示

ファイルの内容表示

ファイルの削除（確認付き）

ステップ3: Pythonでエージェントを実装

3.1 必要なライブラリのインストール

pip install ollama

3.2 エージェントコードの作成

agent.pyを作成し、以下のコードを記述します。

import ollama
import os
import json
<h1>Ollamaクライアントの初期化</h1>
client = ollama.Client()
def get_llm_response(prompt):
    response = client.generate(model='mistral', prompt=prompt)
    return response['response']
def parse_command(user_input):
    # LLMに命令を解析させる
    system_prompt = """
    あなたはファイル操作アシスタントです。ユーザーの入力を解析し、以下のJSON形式で出力してください。
    {
        "action": "list | read | delete",
        "params": {
            "path": "ファイルパス"
        }
    }
    例:
    - ユーザー: "ファイル一覧を表示" → {"action": "list", "params": {"path": "."}}
    - ユーザー: "test.txtの内容を表示" → {"action": "read", "params": {"path": "test.txt"}}
    - ユーザー: "test.txtを削除" → {"action": "delete", "params": {"path": "test.txt"}}
    """
    full_prompt = f"{system_prompt}\n\nユーザー: {user_input}"
    response = get_llm_response(full_prompt)
    try:
        # JSON部分を抽出
        json_start = response.index('{')
        json_end = response.rindex('}') + 1
        json_str = response[json_start:json_end]
        return json.loads(json_str)
    except:
        return None
def execute_action(command):
    if command is None:
        return "コマンドを解析できませんでした。"
    action = command['action']
    path = command['params']['path']
    if action == 'list':
        files = os.listdir(path)
        return "\n".join(files)
    elif action == 'read':
        try:
            with open(path, 'r') as f:
                return f.read()
        except FileNotFoundError:
            return "ファイルが見つかりません。"
    elif action == 'delete':
        confirm = input(f"本当に{path}を削除しますか？ (y/n): ")
        if confirm.lower() == 'y':
            os.remove(path)
            return "削除しました。"
        else:
            return "削除をキャンセルしました。"
    else:
        return "不明なアクションです。"
if __name__ == "__main__":
    print("ファイル操作エージェントを開始します。終了するには 'exit' と入力。")
    while True:
        user_input = input("\n指示を入力: ")
        if user_input.lower() == 'exit':
            break
        command = parse_command(user_input)
        result = execute_action(command)
        print(result)

3.3 実行テスト

python agent.py

以下のように動作します。

指示を入力: ファイル一覧を表示
agent.py
README.md
...
指示を入力: agent.pyの内容を表示
import ollama
...

ステップ4: 応用とカスタマイズ

4.1 他のモデルへの変更

Ollamaで利用可能なモデルに変更できます。例えば、日本語性能の高い「ELYZA-jp」を使用する場合：

ollama pull elyza:jp8b

コード内のmodel='mistral'をmodel='elyza:jp8b'に変更します。

4.2 エージェントの機能拡張

ウェブ検索エージェント：ローカルで完結しない場合は、APIと組み合わせることも可能です。

スケジュール管理：カレンダー操作など。

注意点

ローカルLLMはクラウド版に比べて応答速度が遅い場合があります。

モデルのサイズによっては大量のメモリを消費します（8Bモデルで約4GB、13Bモデルで約8GB）。

セキュリティ：エージェントに削除権限を与える場合は注意が必要です。

まとめ

Ollamaを使えば、ローカルLLMとAIエージェントを簡単に組み合わせることができます。プライバシーを重視する業務や、オフライン環境での自動化に役立ててください。本チュートリアルを基に、自分だけのエージェントを構築してみましょう。