watsonx Orchestrateで本番環境対応のAIエージェントを構築する

エージェント開発ライフサイクル（ADLC）は、エンタープライズ環境においてAIエージェントを設計、開発、デプロイ、および継続的に改善するための構造化されたフレームワークを提供します。

AIエージェントは、データ、使用状況、コンテキストに基づいて動作が進化する、データ駆動型かつ確率的なシステムです。その結果、これらは一回限りの導入ではなく、継続的なシステムとして管理する必要があります。

ライフサイクルは反復的なシーケンスに従います。

計画 → 構築 → テスト → デプロイ → 監視 → 運用

各フェーズは、変化する要件に対してエージェントの信頼性、拡張性、観測可能性、適応性が維持されるようにします。

今回の導入では、ADLCの構築フェーズに焦点を当てます。

構築フェーズでは、IBM watsonx Orchestrateを使用して、計画されたエンタープライズ・ユースケースを実行可能で本番環境対応のAIエージェントに変換することに焦点を当てます。

エージェントはまず、エンタープライズ・ユースケースに沿って明確に定義された運用上の役割とビジネス目標を持って作成されます。次に、エンタープライズ知識ソースがエージェントに接続され、注文、在庫、ビジネス・ルールなどの運用データ・セットを使用した根拠ある推論が可能になります。

複数のステップによる推論、運用分析、推奨事項の生成をサポートするオーケストレーション層として、エージェント型ワークフローが構成されます。ワークフローは、ユーザー入力を処理し、遅延している注文と在庫状況を分析し、運用のビジネス・ルールを適用して、説明可能な推奨事項を生成します。

エージェントの動作は、エージェントが運用クエリーを解釈し、ワークフローを呼び出し、ビジネス・ロジックを適用し、根拠ある応答を生成する方法をガイドする、構造化されたエンタープライズ・プロンプトを使用して定義されます。

ワークフローは、以下をカバーする完全な運用実行パイプラインを確立します。

ユーザー入力 → 注文分析 → インベントリー分析 → ビジネス・ルール評価 → 推奨事項の生成 → 出力

次に、代表的な運用シナリオを使用してソリューションが検証され、エージェントがエンタープライズの運用要件に沿った、正確で説明可能かつ構造化された出力を生成することを確認します。

AIエージェントは、注文データと在庫データを分析して遅延を特定し、根本原因を特定して、是正処置を推奨することにより、電子商取引の運用チームをサポートするように設計されています。

AIエージェントは、ユーザー入力を理解し、関連データを取得し、推論を適用して、実行可能な結果を生成できるシステムです。エンタープライズ環境において、エージェントは構造化されたワークフロー内で動作し、ビジネス・システムと相互作用して、一貫性があり説明可能な洞察を提供します。

運用チームは通常、配送の遅延、在庫不足、根本原因に対する可視性の制限といった課題に直面します。これらの課題には、多くの場合、複数のシステムにわたる手動調査が必要となり、非効率化や意思決定の遅れにつながります。

ユーザーが「iPhone 14の注文が遅れているのはなぜですか」といったクエリーを送信すると、

エージェントは次のシーケンスを実行します。

• クエリーを解釈して、製品とインテントを特定します。
• 注文データを取得して、遅延パターンを分析します。
• 在庫データを取得して、在庫状況を評価します。
• ビジネス・ルールを適用して、根本原因を特定します。
• 洞察と推奨されるアクションを含む構造化された応答を生成します。

エージェントは次の構造化された実行フローに従います。

ユーザー・クエリー → インテントの理解 → ツールの呼び出し → Astra DBナレッジ・リポジトリー → セマンティック検索 → ビジネス・ルール評価 → 推奨事項の生成 → 構造化された応答 → 最終出力

なぜこのアプローチが重要なのでしょうか。

このアプローチは、エンタープライズ・データ、ビジネス・ルール、および構造化された推論を組み合わせて、信頼性が高く説明可能な出力を生成します。実際のデータに応答の根拠を置き、一貫したワークフローを強制することにより、エージェントは正確性を確保し、根拠のない結論を最小限に抑えます。構造化された出力により、評価、モニター、およびダウンストリーム・システムとの統合が可能になります。

これにより、一貫性、追跡可能性、および信頼性が不可欠なエンタープライズ環境に適したソリューションになります。

今回の導入により、以下を行う本番環境対応のAIエージェントが提供されます。

• 統合されたツールを使用して、エンタープライズ・データを取得および分析します。
• ルールベースの推論を適用して、運用上の問題を特定します。
• 構造化された出力を生成してダウンストリームで利用します。
• テスト、デプロイメント、監視、最適化などのライフサイクル・フェーズをサポートします。

この導入を完了すると、以下を行うことができるようになります。

• watsonx OrchestrateでのAIエージェントの作成
• Astra DBを使用したエンタープライズ・データの統合
• プロンプトを使用した構造化された動作の定義
• 推論ワークフローの実装
• 一貫性のある構造化された出力の生成

• IBM watsonx Orchestrateへのアクセス
  
• Astra DBへのアクセス
• AIエージェントおよび大規模言語モデルに関する基本的な理解
• このチュートリアルで提供されるサンプル・データ・セット

ステップ1：サンプル・データを準備

エンタープライズ・システムをシミュレートするために、構造化されたデータ・セット（注文および在庫）が作成されます。これらのデータ・セットにより、エージェントは遅延、在庫レベル、倉庫内の配置などの実際の値を取得して分析できるようになります。ビジネス・ルールは、エージェントが根本原因を特定するためにこのデータを解釈する方法を定義します。

orders_data.csv 
order_id,product,order_date,delivery_date,status,delay_days,warehouse 
1001,iPhone 14,2026-04-01,2026-04-05,delayed,4,WH1 
1002,iPhone 14,2026-04-02,2026-04-06,delayed,4,WH1 
1003,iPhone 14,2026-04-03,2026-04-07,delayed,4,WH2 
1004,iPhone 14,2026-04-04,2026-04-08,delayed,4,WH2 
1005,Samsung S23,2026-04-01,2026-04-03,delivered,0,WH1 
1006,Samsung S23,2026-04-02,2026-04-04,delivered,0,WH2 
1007,Pixel 8,2026-04-01,2026-04-06,delayed,5,WH3 
1008,Pixel 8,2026-04-02,2026-04-07,delayed,5,WH3 
1009,Pixel 8,2026-04-03,2026-04-05,delivered,0,WH3 
1010,OnePlus 12,2026-04-01,2026-04-02,delivered,0,WH1 
1011,OnePlus 12,2026-04-02,2026-04-06,delayed,4,WH2 
1012,OnePlus 12,2026-04-03,2026-04-07,delayed,4,WH2

inventory_data.csv 
product,stock,warehouse,reorder_level 
iPhone 14,0,WH1,20 
iPhone 14,0,WH2,20 
Samsung S23,50,WH1,15 
Samsung S23,40,WH2,15 
Pixel 8,10,WH3,25 
OnePlus 12,5,WH2,15

business_rules.txt 
If stock = 0 → stockout issue 
If delay_days > 3 → logistics issue 
If multiple delayed orders (>2) → supply chain issue 
If stock < reorder_level → replenishment needed 
If delays across multiple warehouses → systemic issue

これらのサンプル・データ・セットは、エンタープライズの運用システムを簡素化して表現したものです。今回の導入では、構造化された注文、在庫、ビジネス・ルールの情報が自然言語の知識ドキュメントに変換され、Astra DBに保存されます。この外部ベクトル・リポジトリーにより、セマンティック検索が可能になり、静的なファイルベースのアプローチと比較して、より現実的な検索拡張生成（RAG）アーキテクチャーが提供されます。

ステップ2：エージェントを作成

「構築」→「エージェント」に移動し、「エージェントを作成」を選択します。

名前と説明を定義して、watsonx Orchestrateでエージェントを作成します。これにより、データの分析と推奨事項の提供を担当する注文および在庫アドバイザーとして、エージェントの目的が確立されます。

名前：注文および在庫アドバイザー

説明：注文データと在庫データを分析して遅延を特定し、根本原因を特定して、是正処置を推奨するAIエージェント。

ステップ3：Astra DBを使用してエンタープライズ知識を追加

「知識」→「ソースを追加」に移動し、エンタープライズ知識リポジトリーとしてAstra DBを選択します。

AIエージェントは、実行時に静的ファイルに依存するのではなく、Astra DBを外部ベクトル・データベースとして使用して、運用知識を保存および取得します。

注文、在庫レコード、ビジネス・ルールなど、前に準備した運用のデータ・セットが自然言語の知識ドキュメントに変換され、Astra DBのベクトル対応コレクションにロードされます。これらのドキュメントは、AIエージェントが注文の遅延、在庫不足、倉庫内の配置、ビジネス・ポリシーを理解するために必要な運用知識を総括的に表しています。

リポジトリーに保存される知識の例には、遅延した注文情報、在庫状況、倉庫の状況、物流の混乱、運用ルールなどがあります。このリポジトリーは、AIエージェントのエンタープライズ・メモリーとして機能します。

ベクトル対応コレクションがAstra DBに作成され、セマンティック検索をサポートするためのドキュメント埋め込みが生成されます。ランタイム時に、IBM watsonx OrchestrateはAstra DBにクエリーを実行し、ユーザーのリクエストに基づいて最も関連性の高い運用レコードを取得します。取得された情報は、エージェントが根拠ある推論を実行し、説明可能な推奨事項を生成するために使用されます。

リポジトリーには、以下に関連する情報が含まれています。

• 注文配送レコードおよび遅延情報。
• インベントリーおよび再注文のしきい値。
• 倉庫内の配置および在庫状況。
• 物流イベントおよび運用の混乱。
• 補充およびエスカレーションのプロセスを管理するビジネス・ルール。

知識ドキュメントがAstra DBにロードされた後、リポジトリーはIBM watsonx Orchestrateに接続され、注文および在庫アドバイザーのエンタープライズ知識ソースとして構成されます。

リポジトリーはキーワード、ベクトル、およびハイブリッドの検索モードをサポートし、構造化および非構造化のエンタープライズ情報にわたる効率的な取得を可能にします。この機能により、エージェントは関連する運用知識を取得し、根拠あるエンタープライズ・データのみに基づいて応答を生成できるようになります。

Astra DB接続の構成、認証、キースペースの選択、埋め込みモード、検索モード、およびフィールド・マッピングに関する詳細な指示は、IBMドキュメンテーションで入手できます。

Astra DBコンテンツ・リポジトリーへの接続： https://www.ibm.com/docs/en/watsonx/watson-orchestrate/base?topic=agents-connecting-astra-db-content-repository

AIエージェントに補足のコンテキストを提供するために、わかりやすい知識名とリポジトリーの説明が構成されます。

知識名：

注文および在庫Astraリポジトリー

説明：

注文および在庫アドバイザーによって使用される注文レコード、在庫情報、倉庫内の配置の詳細、物流情報、および運用のビジネス・ルールを含むエンタープライズ知識リポジトリー。リポジトリーにより、セマンティック検索と根拠ある運用の推奨事項が可能になります。

AIエージェントは、この根拠あるエンタープライズ知識の選択的取得を使用して、遅延した注文を特定し、在庫不足を検知し、倉庫のリスクを分析して、運用のビジネス・ルールを評価します。推奨事項は取得された知識のみから生成され、応答の説明可能性が維持され、エンタープライズ・ガバナンスの要件に沿っていることを確実にします。

このグラウンディング層は、生成されるすべての洞察が根拠のない想定からではなく、エンタープライズ知識のみから導き出されるようにすることで、応答の正確性、運用の信頼性、および説明可能性を向上させます。

Astra DBを外部ベクトル・リポジトリーとして使用することにより、このソリューションは検索拡張生成（RAG）アーキテクチャーに従い、IBM watsonx Orchestrateがエンタープライズ知識リポジトリーと統合して、スケーラブルで説明可能かつ本番環境対応の運用インテリジェンスを提供する方法を示します。

ステップ4：ツールセットを追加

エージェント構成画面内の「ツールセット」→「ツールを追加」に移動し、エンタープライズ運用ツールとしてエージェント型ワークフローを選択します。

エージェント型ワークフローは、ユーザーとの対話、運用上の推論、エンタープライズ知識の分析、および推奨事項の生成の処理を担当するオーケストレーション・エンジンとして機能します。このワークフローにより、AIエージェントは、遅延した注文、在庫不足、倉庫のリスク、およびビジネス・ルール評価にわたる複数のステップの推論を実行できるようになります。

次の詳細でワークフローを構成します。

名前：注文遅延分析ワークフロー

説明：根拠あるエンタープライズ知識を使用して、遅延した注文、在庫不足、物流のリスク、および運用のビジネス・ルールを分析するためのワークフローです。

追加されると、ワークフローはエージェント・ツールセット内で利用可能になり、ユーザーとの会話中に自動的に呼び出すことができます。エージェントはこのワークフローを使用して、運用のクエリーを処理し、根拠あるエンタープライズ・洞察を取得し、ビジネス・ルールを適用して、説明可能な推奨事項を生成します。

ステップ4.1：ワークフロー・アクティビティーを構成

エージェント型ワークフロー内で、生成プロンプト・アクティビティーとユーザー対話ステージを使用して、多段階の運用推論パイプラインを構成します。

ワークフローは、ユーザーが次のような製品関連の運用クエリーを提供する、ユーザー入力収集ステージから始まります。

iPhone 14の注文が遅れている理由

第1段階の「製品クエリーの入力」は、ユーザーから業務クエリーを収集します。この入力は、その後、エンタープライズ分析のためにAI推論パイプラインに渡されます。

第2段階の「注文遅延の分析」は、遅延している注文、配送タイムライン、倉庫の配送パターン、およびロジスティクス関連のリスクを評価します。この段階は、業務上のボトルネックや出荷遅延の傾向を特定するのに役立ちます。

第3段階の「在庫の分析」は、在庫の可用性、在庫レベル、再注文のしきい値、および補充条件を評価します。この段階は、在庫不足や在庫関連の業務リスクを検出するのに役立ちます。

第4段階の「ビジネス・ルールの適用」は、あらかじめ定義されたエンタープライズ業務ルールを、分析された注文および在庫データに適用します。ワークフローは、在庫切れの問題、ロジスティクスの遅延、補充の必要性、システム的なサプライチェーンの問題などの条件を評価します。

第5段階の「推奨事項の生成」は、特定された根本原因に基づいて、説明可能な業務上の推奨事項、是正措置、モニタリングの提案、および構造化されたエンタープライズ出力を生成します。

最終段階の「出力」は、生成された業務分析と推奨事項をユーザーに表示します。

アップロードされたワークフロー・キャンバスは、IBM watsonx Orchestrateで実装された完全なエンタープライズ・オーケストレーション・パイプラインを示しています。

このワークフロー設計は、watsonx Orchestrateを使用することで、マルチステップAI推論、根拠に基づいたエンタープライズ分析、説明可能な推奨事項、モジュール式のオーケストレーション、および本番環境に対応した業務インテリジェンスを可能にします。

ステップ5：エージェントの振る舞いの構成

AIエージェントの「振る舞い」セクションに移動し、エンタープライズ業務の振る舞いに関する指示を定義します。この構成は、AIエージェントがどのように推論し、エンタープライズ知識を検索し、接続されたワークフローを呼び出し、業務上の推奨事項を生成するかを制御します。

以下の振る舞いプロンプトを追加

あなたは、注文管理、在庫分析、ロジスティクス・モニタリング、およびサプライチェーンの最適化を専門とする、エンタープライズ・オペレーションAIアシスタントです。

### 責任

• 遅延注文の分析
• 在庫不足の検出
• 倉庫の問題の特定
• 業務ビジネス・ルールの適用
• 根拠に基づいた推奨事項の生成

### 指示

• 常に、接続されたワークフローとアップロードされたエンタープライズ知識ファイルを使用してください。
• 利用可能なデータを超えて、ハルシネーションを起こしたり推測を行ったりしないでください。
• すべての検出事項および推奨事項は、提供されたデータに基づき特定してください。
• 説明可能で構造化されたデータを出力してください。

### エラー処理

一致する製品、注文、在庫品目、または倉庫レコードが見つからない場合：

ステータス：利用可能なデータなし

メッセージ：利用可能なデータ内に一致するレコードが見つかりません。

推奨事項：検索条件を確認し、もう一度お試しください。

### 応答形式

分析が成功した場合は、次の構造を使用してください：

ステータス：成功

要約：

＜概要＞

主な調査結果:

• 検出事項 1
• 検出事項 2

推奨事項：

• 推奨事項 1
• 推奨事項 2

振る舞い層は、AIエージェントがどのように業務クエリーを解釈し、watsonx Orchestrate内で応答を生成するかをガイドする、エンタープライズ推論ポリシーとして機能します。

ステップ5：エージェントのテスト

エンタープライズ知識、振る舞いに関する指示、およびエージェント型ワークフローを構成した後、IBM watsonx Orchestrateの「Talk to agent」インターフェースを使用して、AIエージェントが検証されます。ユーザーは、以下のような業務クエリーを送信できます。

「iPhone 14の注文が遅れている理由」

エージェントは、接続されたAstra DBリポジトリーから関連する業務知識を検索し、構成されたワークフローを実行し、注文および在庫情報を分析し、業務ビジネス・ルールを適用し、在庫不足およびロジスティクスの問題を検出し、説明可能な推論を伴う根拠に基づいた推奨事項を生成します。また、テスト・インターフェースにより、開発者はデプロイ前にワークフローの実行を監視し、応答の正確性を検証し、本番環境への準備状況を評価することができます。あ

**遅延しているiPhone 14注文の根本原因分析**

ステータス：成功

要約：現在、4件のiPhone 14の注文（ID 1001-1004）が4日間遅れています。遅延の原因は、主要なフルフィルメント・センターWH1およびWH2における在庫不足にあります。

主な調査結果:

• 遅延しているすべてのiPhone 14の注文は、倉庫WH1またはWH2に割り当てられています。
• 根本原因は、これらの倉庫におけるiPhone 14の在庫不足であり、各注文に4日間の遅延をもたらしています。

推奨事項：

• 在庫を補充するために、他の倉庫（例：WH3）からWH1およびWH2にiPhone 14の在庫を再配分します。
• さらなる遅延を防ぐために、WH1およびWH2へのiPhone 14の入荷出荷を迅速化します。
• 在庫切れが発生する前にプロアクティブな補充を開始するために、各倉庫でiPhone 14の低在庫アラートを実装します。

このチュートリアルでは、watsonx OrchestrateとAstra DBを使用して、本番環境に対応したAIエージェントを開発しました。このソリューションは、エンタープライズ知識のグラウンディング、エージェント型ワークフローの実行、業務ビジネス・ルールの推論、および説明可能な推奨事項の生成を組み合わせることで、遅延注文、在庫不足、およびサプライチェーンのボトルネックを分析します。

このソリューションは、説明可能な推論、モジュール式ワークフロー設計、および本番環境に対応したアーキテクチャーの原則を通じて、エンタープライズAIシステムがどのように業務上の意思決定をサポートできるかを示しています。

また、このAIエージェントは、テスト、デプロイ、監視、および継続的なワークフローの最適化を含むエンタープライズAIライフサイクルのフェーズをサポートすることにより、エージェント開発ライフサイクル（ADLC）に準拠しています。

エンタープライズAIソリューションをさらに拡張するために、以下の機能拡張を実装できます。

• AIエージェントのパフォーマンスを評価します。
• エンタープライズ環境にワークフローをデプロイします。
• ワークフローのパフォーマンスを継続的に監視し、最適化します。
• 外部のエンタープライズ業務データ・セットを統合します。

計画フェーズではエンタープライズの業務目標を定義し、構築フェーズではエンタープライズ知識のグラウンディング、ビジネス・ルールの推論、および説明可能な業務分析を使用して、インテリジェントなワークフローの実行を可能にします。この実装は、拡張可能で説明可能、かつ業務上信頼性の高いソリューションを提供できる、本番環境に対応したエンタープライズAIエージェントを構築するために、IBM watsonx Orchestrateをどのように使用できるかを示しています。