Planner–Executor–Reviewer は、複雑なソフトウェアエンジニアリングのタスクを逐次的またはグラフベースのエージェントのパイプラインに分解し、各エージェントに具体的で範囲の限られた責務を割り当てる、マルチエージェントの役割特化パターンである。支援から自律へ：ソフトウェア開発ライフサイクル全体にわたるエージェント型 AI の系統的文献レビュー は、これを自らがサーベイしたエージェント型 AI の文献全体で支配的なアーキテクチャとしており、多くの場合、3 つの役割の上位にサブプロセスの流れを管理する Orchestrator エージェントが置かれると述べている。また、この構造がソフトウェア開発ライフサイクルのすべてのフェーズにわたる論文に登場すると報告している。
用法
このパターンの根拠として示されているのは認知負荷である。各エージェントの範囲を狭めることで、単一の汎用エージェントに計画、合成、検証を一度に行わせるよりも予測可能で正確な結果が得られることが意図されている。サーベイ対象のシステムでは、これが構造化され型付けされたエージェント間通信、すなわち JSON ペイロードや LangGraph の状態グラフによって補強されることが多く、自由記述のテキストによる引き継ぎが、形式的に型付けされた状態遷移に置き換えられている。
このレビューは、Reviewer の役割が単なる 3 番目の段階ではなく、このパターンにおける検証可能性の仕組みだと論じている。Reviewer は反復的な改善の根拠となるフィードバックを提供し、それがこのアーキテクチャを、エージェント型 AI の導入をより広く可能にする要因としての 出力の検証可能性 に結びつけている。
2 つのエージェントから成る産業向けの変種は、この分離が実践で有効に機能する理由を示している。自動車向けソフトウェアのリリース判定（ゲートキーピング）システムでは、Planner が自己一貫性を伴う Chain-of-Thought による推論を用いてリリース戦略を生成し、Actor があらかじめ定義されたアトミックな行動の語彙に基づいて実行を行い、エラー修正のために自己省察を用いる。このレビューは、Actor を固定された行動の集合に制限したことが産業での導入の鍵だったと報告している。Planner の推論の柔軟性を犠牲にすることなく運用上のリスクを抑え、何をするかと、それをどう安全に行うかとを分離できたからである。
self-harness チュートリアルに付随する教育用の実装である miniMaster は、同じ 3 つの役割を 3 つの入れ子のループとして配置した、小規模なオープンソースの実例である。全体のスケジューリングを行う Planner エージェント、作業を実行する Executor エージェント、そしてその作業を評価する Validator エージェントから成る。このプロジェクトが付け加えているのはメモリの側面であり、プランナー用、生成器用、検証用のメモリを別々に保持するほか、タスクごとのリトライのアーカイブも保持する。プロジェクトはこれを、古い軌跡を圧縮しながら必要なコンテキストを保持する方法として提示している。さらに、ループを完了チェックリストや、エージェントが同じ行動を繰り返すのを防ぐガードと組み合わせている。これは実際に運用されているシステムではなくチュートリアルの教材であるため、このパターンがどう教えられ構築されるかを示す証拠ではあっても、どの程度の性能を発揮するかを示す証拠ではない。
適用される場面
このパターンが適用されるのは、タスクが分解に値するほど大きく、かつ Reviewer の役割に照らし合わせるべき客観的な基準がある場面である。決定的に重要なのは 2 つ目の条件である。このレビューのより広い知見は、エージェント型 AI の成熟度が、出力を実行可能なフィードバックで評価できるライフサイクルのフェーズに集中しているというものであり、正解のシグナルがないフェーズの Reviewer エージェントには、自らの判断しか頼るものがない。
このパターンは、各役割の責務を十分明確に区切ることができ、範囲を狭めることがコンテキストの分断を招くのではなく実際にエラーを減らすことを前提としている。また、このレビューが取り上げる産業向けの変種では、実行を担うエージェントの行動空間を事前に制約できることも前提としている。
このレビューは、このパターンが 92 件の一次研究全体で支配的だと報告しているが、そのうち産業の文脈で評価されたものは 13 件にすぎないため、特に行動空間を制約する変種についての証拠は少数の導入事例に基づいている。役割の分解に加えて、サーベイ対象のシステムはこのパターンをメモリと検索のアーキテクチャと組み合わせており、産業での研究では、成果物間の関係的なコンテキストを失うフラットなベクトル検索よりも、構造に根ざした検索、すなわちベクトルとグラフのハイブリッド表現や、エージェント間で共有されるメモリ層として使われる依存関係マッピングのナレッジグラフが好まれている。