Slack問い合わせ自動対応エージェント
起票 → ナレッジ調査 → 回答案生成 → 必要時にエスカレーション、までを自走。
Service · autonomous-agent
完全自立AIエージェント開発
ツール呼び出し・自己評価・長期記憶を備えた自立型エージェントを設計。観測・制御可能な形で本番投入できる構成を提供します。
Overview
概要。
ツールを呼び、メモリを持ち、計画して動く——完全自立型エージェントは、もはや“もう一人の同僚”です。UNEEKは、観測可能性とガードレールを設計初期から組み込み、本番で動き続けるエージェントを構築します。
MCP（Model Context Protocol）対応により、Slack / Notion / GitHub / 社内DB等を“ツール”として柔軟に拡張可能。自己評価ループとヒューマン承認ポイントを適切に配置することで、自律性と安全性を両立します。
Price Hintプロトタイプ: 300万円〜 / 本番運用: 要見積
Deliverables
提供内容。
プロジェクト完了時にお渡しする主な成果物の例です。プロジェクトのスコープにより内容は調整します。
- エージェント設計書（タスク分解 / ツール定義 / メモリ構造）
- MCP対応ツール群とプロトコル定義
- プロンプト & 評価データセット
- 観測基盤（OpenTelemetry互換のトレース / ログ）
- ガードレール設計（入力・ツール・出力の3層）
- 段階的ロールアウト計画と監査ダッシュボード
Process
進め方。
ヒアリングから運用まで、同じチームが伴走します。フェーズごとに必ず手触りのアウトプットを共有し、軌道修正しながら進めます。
- 01
ユースケース定義
エージェントが代行するタスク、成功指標、自動化レベル（提案 / 承認 / 完全自走）を定義します。
- 02
エージェント設計
タスク分解戦略、ツール一覧、メモリ構造、評価ループを設計。ガードレール配置も同時に検討します。
- 03
プロトタイプ実装
LangGraph / Pydantic AI / 自社FWで実装。最小ユースケースから動かして手触りを確認します。
- 04
評価セット構築
ゴールデンケース30〜100件＋LLM-as-a-Judgeで継続評価。デグレード検知の仕組みを整えます。
- 05
段階的本番化
ヒト承認モード → 部分自動化 → 完全自走と段階を踏み、リスクを最小化しながら範囲を拡大します。
- 06
継続的監視・改善
本番ログを週次でレビューし、エージェントを“育てて”いきます。
Use Cases
活用シーンの例。
実際にご相談いただくケースの一例です。同様の領域でのご相談、もしくは新しい使い方の相談も歓迎します。
社内オペレーション自走
申請・承認・通知の連鎖を自動実行。例外時のみ人間に判断を仰ぐ設計。
リサーチエージェント
競合動向・市場データを定期的に収集し、Notion / Slackへ要約レポート。
営業フォローアップ
CRMから停滞案件を検出 → 次のアクション提案 → 文面ドラフト作成。
Tech Stack
使う技術。
プロジェクトに応じて選定します。下記は本領域でよく採用する技術の例です。
LangGraph / Pydantic AI / 自社FrameworkModel Context Protocol (MCP)OpenAI SDK / Anthropic SDKOpenTelemetry / LangfusePostgreSQL / Redis / TemporalSlack / GitHub / Notion 連携
FAQ
よくある質問。
Q. MCPって本当に必要？
強く推奨します。ツール拡張がプロトコル化され、外部サービス連携の追加・差し替えが圧倒的に楽になります。
Q. 暴走対策はどうする？
入力 / ツール / 出力の3層ガードレールに加え、破壊的操作はヒト承認を必須化。監査ログを必ず残します。
Q. 途中でLLMを切り替えたい
評価セットを揃えておけば、Claude / GPT / Gemini 間の差し替えは比較的容易です。
Q. ランニングコストはどれくらい？
月間トークン量 × API単価 + ホスティング費用。ユースケース次第ですが、月数万〜数十万円が目安です。
Related