GraphBitは2026年3月8日、LLMエージェントのオーケストレーション向け決定論的フレームワーク「GraphBit」をarXivに論文公開した。従来のLLMエージェントはワークフロー遷移の制御をモデル推論に委ねる構造から、誤ルーティングや無限ループ、実行の非再現性といった問題が生じていた。同フレームワークは有向非巡回グラフ（DAG）でワークフローを明示的に定義し、Rustベースのエンジンが実行パスを一元管理する。
GraphBitが採用するのは、エンジン制御型のオーケストレーションアーキテクチャだ。個々のエージェントは型付き関数として実装され、Rustで構築されたエンジンがルーティング、状態遷移、外部ツール呼び出しを一元的に処理する。ワークフローはDAGとして事前に定義され、実行パスはモデルの推論に依存せず決定論的に確定する。従来のLLMエージェントアーキテクチャでは、次のステップへの遷移判断をモデル自身に委ねる構造から、予測不能な挙動や実行の非再現性が生じていた。GraphBitはその判断をエンジン側に移譲することで、この問題を根本的に排除できると見られる。
エンジンが提供する主要機能は3つだ。まず、複数タスクを同時処理できる並列ブランチ実行。次に、構造化された状態述語に基づく条件付き制御フロー。さらに、予期しないエラー発生時に柔軟に対応できる構成可能なエラー回復メカニズムだ。Rustの採用はパフォーマンス最適化だけでなく、メモリ安全性と並行処理の信頼性をシステムレベルで保証し、大規模エージェントシステムへのスケールアウトを支えると説明されている。
メモリ管理には3層アーキテクチャを採用した。第1層は短期的な思考プロセス向けの一時スクラッチスペース、第2層は長期的な記憶と進行状況を保持する構造化状態、第3層はデータベースやAPIへのアクセスを担う外部コネクタで構成される。この設計は各実行ステージ間でコンテキストを明示的に分離することを目的としており、長期間稼働するパイプラインにおいてプロンプト長の増大とともに関連性の低い情報が混入する「コンテキスト肥大化」を防ぐ仕組みとして機能する。
性能評価にはGAIAベンチマークタスクを用いた。GraphBitは比較対象とした既存6フレームワークをすべて上回り、最高精度67.6%を達成した。フレームワーク起因のハルシネーション発生件数はゼロで、オーバーヘッドは11.9ミリ秒と全比較対象中で最低遅延、スループットも最高値を記録した。アブレーション研究では、3層メモリの各層が性能向上に不可欠な役割を担うことが示され、決定論的な実行がツール集約型タスクにおいて最大の性能改善をもたらすことが確認された。
参考: arXiv cs.AI — 2026年5月16日 13:00 (JST)