探索エンジンは、Microsoft Discovery のコグニティブ バックボーンです。 これは、仕事を計画し、専門のエージェントに委任し、進捗状況を監視し、結果が予想とは異なる方法で戻ったときに適応する自律的な研究パートナーとして動作します。 チャット ウィンドウ内の個々のプロンプトに応答する代わりに、エンジンはバックグラウンドで継続的に実行され、最も重要な科学的決定に集中します。
従来の AI アシスタントは、質問と回答のサイクルで機能します。 あなたは尋ね、彼らは応答し、会話は終了します。 探索エンジンの動作は異なります。 1 文でも詳細な研究計画でも、目的について説明します。 エンジンは、分解、実行、およびレポートバックを行う責任を負います。 このプロセスは、秒と分ではなく、数時間と数日にわたって展開されます。
エンジンの構造
探索エンジンは、 認知 と タスクの 2 つのコンポーネントを中心に編成されています。
認知
認知は、エンジンがアクティブな間に継続的に実行される推論プロセスです。 全体的な目標に対する認識が維持され、次に何に取り組むかを決定します。 各作業に適したエージェントとツールが選択され、進行状況を確認するときにフィードバックに応答します。
探索エンジンを起動すると、認知は継続的なサイクルを開始します。
- 共有セッション内のすべてのタスクの現在の状態を確認します
- 依存関係に基づいて開始する準備ができているタスクを識別します
- 各タスクに最適な使用可能なエージェントを選択します
- タスクの実行を開始し、結果を監視します
- 定義した成功条件に対して完了した作業を検証します
- ギャップまたは機会を識別するときに新しいタスクを作成します
- 進行中の計画にメモを組み込む
認知は、固定プランを実行するだけではありません。 適応します。 ツールが予期しない結果を返した場合、認識はそのアプローチを再考します。 より多くのコンテキストを持つタスクにコメントを追加した場合、認識はその次の決定に影響します。 複数回試行が失敗すると、認識によってレビューのタスクがエスカレートされます。
認知のしくみの詳細については、「認知の 概要」を参照してください。
タスク
タスクは、探索エンジンで実行する作業を定義する方法です。各タスクは、達成する必要がある内容、それが重要な理由、成功を測定する方法をキャプチャします。 タスクは、作業の整理と順序付けに認識が使用する構造を提供します。
タスクには次のものが含まれます。
- タイトルと説明: エージェントが目的を理解するのに十分なコンテキストで、何を行う必要があるか。
- 検証要件: 成功した結果がどのように見えるかを定義する特定の条件。 認知では、これらの条件を使用して、完了したタスクが実際にあなたの期待を満たしているかどうかを判断します。 それらがなければ、認知には結果を評価するための客観的な基準はありません。
- 依存関係: 最初に完了する必要がある他のタスクとの関係。 認知では、これらのリレーションシップを使用して、作業をインテリジェントにシーケンス処理します。
- 状態: タスクがライフサイクル内を移動する場合の現在の状態。 タスクの状態とその意味の完全なセットについては、「タスクの状態のライフサイクル」を参照してください。
- 結果: タスクの完了時に生成される出力。 結果は依存タスクで使用できるようになります。
すべてのタスクには、少なくとも 1 つのタイトル、説明、および少なくとも 1 つの検証要件が必要です。 タイトルと説明は、認知に何をすべきかを指示します。 検証要件により、 作業が標準を満たすタイミングが示されます。 検証要件がない場合でも、認識はタスクを実行しますが、結果を客観的に評価する方法はありません。 要件が満たされていないと、意味のある品質チェックなしで合格するタスクや、繰り返し実行を繰り返すタスクが発生する可能性があります。
タスク構造の詳細とベスト プラクティスについては、「 タスクと共有セッション」を参照してください。
実際のエンジンのしくみ
探索エンジンの操作は、コラボレーション サイクルに従います。 方向を設定し、エンジンを実行し、定期的にチェックインして確認とリダイレクトを行います。
1. 目的を定義する
まず、共有セッションで 1 つ以上のタスクを作成します。 タスクには、認識をさらに分解する高度な目標や、既に分解した特定の手順を指定できます。 例えば次が挙げられます。
「[病気]とその活性化経路を治療する既存の薬物を特定する。 各活性化合物を使用して、タンパク質結合アフィニティが高く、予測される免疫応答が低いバリアントを探索します。 最も有望な候補者のために、ラボ製剤の後合成経路を計画してください。
この 1 つの目的には、複数のナレッジ ドメインが含まれており、複数のツールを調整する必要があり、後の手順を通知する中間結果が生成されます。 エンジンに自然にフィットします。
2. 探索エンジンを起動する
Important
探索エンジンを開始する前に、ワークスペースにチャット モデルのデプロイがあることを確認します。 新しいプロジェクトの既定のモデルは gpt-5-4 (モデル: gpt-5.4)。 探索エンジンでは、タスクの検証にこのモデルが必要です。 それがなければ、エンジンは起動しません。 セットアップ手順については、 チャット モデルのデプロイの作成 に関する記事を参照してください。
探索エンジンを起動すると、認識によって継続的な推論ループが開始され、エージェントへのタスクの割り当てが開始されます。
3. 実行させる
一歩離れて。 数時間後にもう一度確認してください。 エンジンは常に監視しなくても動作します。 Cognition は、エージェントの選択、ツールの実行、エラーの回復、タスクのシーケンス処理を処理します。 能力のある同僚に委任するのと同じように、エンジンはユーザーに代わって機会の道を見つけてフォローします。
4. 確認とリダイレクト
戻ったら、共有セッションを確認します。 あのう：
- 結果と検証結果を含む完了したタスク
- 現在実行中のタスクとそれに取り組んでいるエージェント
- 認知能力では解決できなかったため、注意が必要と判断されたタスク
フラグ付きタスクの新しい方向に作業を誘導するノートを追加します。 結果が近くても正しくない場合は、検証要件を変更します。
5. 反復処理
目標が満たされるまで、サイクルは続行されます。 認知は、固定シーケンスを実行するだけではありません。 フィードバックや、途中で追加した新しいタスクなど、共有セッションの進化する状態に応答します。
エンジンを使用するタイミングの選択
探索エンジンは、複雑でオープンエンドで実行時間の長い問題用に構築されています。 すべての研究の質問がそれを求めるわけではありません。
エンジンに適しています
エンジンで適切に機能する問題には、次のようないくつかの特性があります。
- 依存関係を持つ複数ステップ: 作業は、後の手順が以前の結果に依存する部分に自然に分割されます。
- オープン エンドの探索: 目標はわかっていますが、正確なパスは知りません。 複数のアプローチが機能する場合があり、エンジンでそれらを探索できます。
- 長い期間: 作業時間には、分ではなく、数時間または数日かかります。 あなたは、ずっと関与するのではなく、委任することで恩恵を受ける。
- 複数のツールとナレッジ ドメイン: この作業には、データベース、シミュレーション、分析ツール、さまざまな種類の専門知識を調整する必要があります。
直接対話に適しています
一部の質問は、エージェントとの直接チャットまたは Ask モードを使用して処理する方が適切です。
- 既知の回答を持つ単一の特定の質問 ("複合 X の還元の可能性は何ですか?")
- 即時応答が必要なタスク
- 対話的にすべてのステップを制御しながら作業できる場所
- 1 回の交換で完了する単純な検索または計算
リソース オーケストレーション
認知機能がタスクを実行する際、全体の Microsoft Discovery プラットフォームを利用します。
- エージェント: 特定の種類の作業を実行する特殊な AI システム。 Cognition は、各タスクに最も適した機能を持つエージェントを選択します。 各エージェントは、必要な作業の種類に最適なモデルに関連付けられます。
- ツール: 計算、データ処理、および分析のために スーパーコンピューター 上で実行されるコンテナー化された実行可能ファイル。 ツールは、特殊なソフトウェアまたは重要なコンピューティング リソースを必要とする作業を処理します。 Microsoft探索アプリは、別のローカル実行パスを介してツールを実行します。比較については、「Microsoft Discovery と Microsoft Discovery アプリを参照してください。
- 本棚: ドキュメントと科学文献から構築されたナレッジ ベース。 エージェントは、関連するコンテキストで書籍棚に対してクエリを実行して、その推論を根拠とします。
これらのリソースは、ワークスペースとプロジェクトを設定するときに構成します。 その後、認識は、各タスクに必要な内容に基づいて自動的に調整されます。
コラボレーション パターン
エンジンは、提供する構造に応じて、さまざまなレベルの自律性をサポートします。
完全な委任: 広範な目的について説明し、認識が分解と実行を処理できるようにします。 エンジンが検出した内容を確認する探索的作業に最適です。 定期的に結果を確認し、戦略的なガイダンスを提供します。
構造化委任: 割り当てられたエージェント、定義された依存関係、および検証の要件を持つ特定のタスクに作業を中断します。 Cognition は実行とシーケンス処理を処理しますが、定義した構造に従います。 このアプローチを把握していて、信頼性の高い実行が必要な場合に最適です。
並列作業: 一部のタスクでは作業しますが、認識は他のタスクを処理します。 タスクを手動で完了したり、中間結果を追加したりすると、その行動が認知され、認知の計画に組み込まれます。
各パターンの設定に関する実用的なガイダンスについては、「 認識を使用して共有セッションを構築する」を参照してください。
ベスト プラクティス
するべきこと
- 手順ではなく、結果を記述する明確な目標から始めます。 認知がそこに到達する方法を理解してみましょう。
- タスクに検証要件を追加します。 彼らがいなければ、仕事があなたの基準を満たす時期を判断する方法はありません。
- アクティブな共有セッションについては、数時間ごとに定期的にチェックインします。 フィードバックにより、作業が追跡されます。
- 自律探索を信頼する。 認知は、あなたが考慮しないアプローチを試みるかもしれません。
以下は使いません:
- すべてのステップを事前に指定 し、 エンジンが順番に実行することを想定しています。 手順がわかっている場合でも、エンジンは検証と品質フィードバック ループを通じて価値を追加します。 回避したいのは、エンジンを単純なタスク ランナーとして扱うことです。 中間結果が検証要件を満たしていない場合、別のアプローチで再試行する場合、またはレビューの作業にフラグを設定する場合に、その強度が調整されます。 共有セッションが純粋にシーケンシャルであり、品質ゲートや反復の必要がない場合は、エージェントの直接対話が高速になる可能性があります。
- タスクの実行をリアルタイムで監視する。 エンジンは、対話型の監視ではなく、非同期コラボレーションをサポートします。
- 広すぎるタスク（"がんを治す"）や狭すぎるタスク（"PubChem ID 12345"を調べる）を作成すること。 タスクが検証できる程度に具体的でありながら、実行の計画を立てるために十分に広い範囲である中間点を見つけます。