大規模言語モデル（LLM）から自律的に行動可能な永続的なシステムへの急速な移行により、エージェンシックAIの設計における重大な課題が顕在化しています。特に、自律型AIエージェントの推論層、オーケストレーション層、実行層を適切に分離し統合するアーキテクチャの理解が不足しているのが現状です。本研究は、この問題に対して包括的な階層型アーキテクチャを提案するものです。 論文は、反応型のLLMインターフェースから、記憶、計画、継続的な実行能力を備えた目標志向的なエージェントへの進化をまとめています。OllamaとOpenClawの組み合わせを活用した完全スタックのエージェンシックAIシステムが提案されており、OllamaはLLM推論層として、OpenClawはエージェント実行時のオーケストレーションを担当し、推論、ツール利用、アクション実行を統合しています。 プロトタイプによる実験検証の結果、永続的な記憶、ツール活用、適応的な意思決定といった能力は、単体のモデルではなく、システムレベルの統合から生じることが実証されました。さらにアーキテクチャの複雑性が増すにつれ、パフォーマンスが一貫して向上することも確認されています。 本研究ではスケーラビリティ、セキュリティ、プライバシー、ガバナンス、評価における課題についても詳しく検討し、堅牢なベンチマーキングとシステムレベルの設計の必要性を強調しています。将来的には、マルチエージェントアーキテクチャ、分散自律システム、人間を考慮したエージェンシックAIフレームワークの実現を目指しており、すべてのモデル、コード、データセットが公開され、再現性とベンチマーキングをサポートする予定です。