JOURNAL — 2026-08-02
LLM・AI開発ツール・エージェント・ファンクションコーリングの関係整理
LLMという頭脳に、開発ツールという作業環境と、ファンクションコーリングという手足を組み合わせることで、初めて自律的なAIエージェントになる仕組みを紐解きます。
開発・技術AIエージェント
けんさん
案内人個人事業主として、Web・写真・AI活用などに日々向き合っている案内人。現場で試しながら、本質を丁寧に整理する。
まりなさん
受け手けんさんのアシスタント。一般人目線で素朴な疑問や感想を代弁し、読みやすさをサポートする。
AI先生
整理係日々の対話相手であるLLMを擬人化した存在。親しみを込めて「先生」と呼ぶ、構造化の頼れる相棒。
LLMとか、Cursorとか、ファンクションコーリングとか、用語がたくさん出てきて頭がこんがらがっちゃいそうです。まず何から整理すればいいですか。
そうだなぁ。今日の核心は、LLMという頭脳単体では何もできなくて、開発ツールという作業机や、ファンクションコーリングという手足とつながることで、初めて自律的に動くエージェントになる、ということなんだよね。全体像を一枚の絵で整理したから、まずはそこから見てみよう。
ONE PAGE SUMMARY
今日の核心は、LLMに作業環境と手足を組み合わせること。
単なるチャット回答を超えて、目的を達成する自律的な仕組みへ。
人間
価値判断と責任
上位エージェント
作業の分解と采配
ファンクション
曖昧さを変換・接続
専門・Skill
業務手順の実行
実行と結果
ツール操作・正確な処理
- 頭脳としてのLLM
- 作業環境としてのツール
- 接続としてのファンクション
- 業務手順としてのSKILL
ここからひとつずつ、図で整理していきます。
この図解は上が人間、下に行くほど厳密なプログラムやツールという階層構造になっています。LLMはこれらの道具を自分で選んで実行結果を解釈し、作業を繰り返します。
LLMと開発ツールの違い（頭脳と作業環境）
LLMは言葉を解釈して次の出力を考える頭脳ですが、それ単体ではパソコンのファイルを書き換えることも、コマンドを実行することもできません。
CursorやAntigravityなどの開発ツールは、LLMにファイル操作やターミナル実行などの道具を接続し、作業を実際に行える環境を提供します。
頭脳（LLM）
考える・言葉を理解する
作業机（開発環境）
ファイル操作・コマンド実行
成果（実行結果）
実装の完了・デプロイ
つまり、どんなに優秀な頭脳があっても、手足や作業机に相当する開発ツールがなければ、実際の開発作業は進まないということですね。
その通りだね。逆に言えば、同じLLMを使っていても、どんな作業机や道具を与えるかによって、AIができる仕事の範囲や品質が大きく変わるということなんだよね。
代表的な開発ツールの位置づけ（Cursor / Claude Code / Antigravity）
同じようにLLMを作業環境に接続するツールでも、その設計思想によって向いている使い方が異なります。
人間がエディタ画面を見ながら共同で細かく修正するタイプと、AIへまとまった仕事を任せて自律的に実行させるタイプに分かれます。
Cursor などのエディタ一体型
人間が作業画面を直接見ながら、AIと相談して少しずつ修正します。人間がリアルタイムでコードの差分を確認でき、細かい修正や曖昧な箇所の相談に向きます。
Claude Code などのCLI実行型
AIへまとまった課題を渡し、自力で修正・検証させます。ファイル検索、編集、テスト、修正を自動で繰り返し、まとまった機能追加や不具合の自動修正に向きます。
Antigravity などの位置づけ
複数の専門エージェントを並列で走らせたり、モデルを使い分けたりして、全体の作業を監督・コントロールします。単なるツールではなく「エージェントの作業管理環境」として機能します。
エディタの中で一緒に考えるパートナーと、裏で自律的に仕事を片付けてくれる部下、という感じで役割が全然違うんですね。
整理すると、これらは二者択一ではありません。画面を見ながら相談したいときはCursor、一括で実装とテストを任せたいときはClaude Code、というように状況に応じて使い分けることが推奨されます。
ファンクションコーリングとSKILL.md（発注書と業務マニュアル）
AIが外部の道具を呼び出すファンクションコーリングと、AIへ仕事の手順を指示するSKILL.mdは、どちらもAIへの指示ですが役割が大きく異なります。
ファンクションコーリングは厳密なプログラムとの架け橋であり、SKILL.mdはAIが自律的に判断するための業務マニュアルです。
他部署への「発注」システム
人間の曖昧な言葉を、プログラムが実行できる厳密なデータ（関数名と引数）へと翻訳して渡す接続機能。
自然言語：「田中さんにタスク登録して」
↓ 翻訳
引数：{"assignee": "田中", "action": "create_task"}
部署内の「業務マニュアル」
発注された仕事をどのような手順で進めるか、何をもって合格とするかなどの自律判断基準を記した手順書。
・まずファイルの存在を確認する
・変更時は太字マーク（**）を使わない
・完了前に文字数を数えて報告する
言葉だけ聞くと難しそうですけど、ファンクションコーリングが他部署へ仕事を依頼する発注書で、SKILL.mdがその部署の中で使うマニュアル、と考えるとすっきり分かりますね。
そうだね。この2つが組み合わさることで、上位のAIから図解作成のような専門業務を発注し、専門エージェントがマニュアル通りに正確に作業を進める、という連携が実現するんだよね。
AIエージェントと通常プログラムの役割分担
AIシステムを安定して動かすためには、すべてをLLMに任せるのではなく、意味の解釈と正確な実行の役割を適切に分ける必要があります。
AIは柔軟な判断や解釈が得意ですが、通常プログラムは決められた処理を毎回正確にミスなく実行することに向いています。
「すべての業務工程をAIエージェントに自律実行させれば、完璧な自動化ができる」
曖昧さの解釈や次の対応の判断はAI（LLM）が得意。しかし、データベースの保存やGitHubへの反映、デプロイなどの確実な処理は、通常プログラム（GitHub Actions等）に任せて確実に実行する。両者の適材適所の分担が最も安定する。
価値判断と責任
最終的な意思決定と、成果に対する責任を担う。
作業の采配
曖昧さを解釈し、次に何をすべきかを柔軟に判断する。
正確な実行
決められた処理を、毎回ミスなく確実に実行する。
補足すると、この役割分担によって、人間は最終的な価値判断と責任に集中し、AIが作業の采配を行い、プログラムが正確な実行を担うという、健全な協業関係が生まれます。
なるほど。AIは万能の魔法ではなくて、得意な判断をAIに任せて、確実な作業はプログラムに任せる、という適材適所の設計が大切なんですね。
その通り。現場で本当に使えるAIシステムを作るためには、この役割分担を意識して、業務を再利用可能な部品に分解していくことが大切なんだよね。次は、この仕組みを個人の開発者がどう活かしていくか、フェーズ２の戦い方について整理していこうか。
はい。全体像とそれぞれの役割がよく分かりました。フェーズ２のお話も楽しみです。
この話、あなたの現場ではどうですか。
記事の話題そのままで構いません。「あの記事の件で聞きたい」——それだけで最初の一言になります。
- ヒアリング無料
- 全国対応（オンライン可）
- しつこい営業はしません