研究紹介
2025/09
名古屋大学 情報学研究科 修士１年
林 俊一郎
1
MCP・RAGを用いたプロシージャル�3D生成LLMエージェント3Difyの提案とスパコンの利用
林 俊一郎† 椋木 大地‡ 大島 聡史‡ § 片桐 孝洋‡ 星野 哲也‡
名古屋大学 情報学研究科†
名古屋大学 情報基盤センター‡
九州大学 情報基盤研究開発センター§
2
SWoPP 2025/ 8/ 4 @高松市 HPC-3 LLM の発表資料を基に作成
目次
3
目次
4
背景 3D生成AI
3Dデータ自体が様々な要素の集合
➡ 3D生成AIは目的もアプローチも多様化
例：右図のMeshGPT[1]ように3Dポリゴンを言語と
同様にLLMに学習させる生成手法もある
※スクラッチ学習のコストは高い
既存LLMの3Dタスク潜在能力を期待した研究が2023年～増加
再生成には計算コストがかかる
➡プロシージャル手法に注目
5
画像の引用元：[1] MeshGPT: Generating Triangle Meshes with Decoder-Only Transformers (CVPR 2024)
背景 プロシージャルとは
CG業界でプロシージャル手法を用いた3Dモデリングが広まる�
後から容易に変更できるパラメータを組み込むことで無数の� バリエーションを作成
対象のパターンを観察し� 生成手順や計算式を考え� 巨大なノードグラフを� 構築するのは困難
� LLMの支援が必要
6
画像の引用元：三浦 嘉大，藤塚 巧，伊藤 智也ほか：地理的要素とユーザー自由度を考慮した日本城 郭都市のプロシージャルモデリング，
研究報告コンピュータグラフィックスとビジュ アル情報学（CG），Vol.177，No.2，pp.1-9（2020）．
目的
3Dモデル生成に留まらず，LLMの汎用性を活かし
CG業界標準のDCC（Digital Content Creation）ツールの操作や
コンテンツ制作まで支援する汎用システムの実現を目指す
☑ MCPを用いた3DCG作成ソフトの自動操作
☑ ローカルLLMと従量課金APIのコスト検証
7
目次
8
Blender MCP server
Unreal MCP server
Houdini MCP server
Unity MCP server
Maya MCP server
Computer
API
Local inference platform
☑any LLM Models
RAG
☑any DCC
☑any OS
GUI
CLI
Image
Generation
AI
MCP client
as Dify plugin
Planner
LLM
Previz
Workflow
UI-TARS-SDK
LLM Agents
Manager
LLM
LLMを用いた3D生成の先行研究と3Dify(Ours)の分類�Computer Using Agent + code-based 3D-CG 生成
Computer Using Agent
via GUI
Code-based 3D-CG 生成
via CLI
・Claude Computer Use
・UI-TARS
・ShowUI
・Browser-Use
・Operator
・LLMR(Unity)
MCP
Web Only
・3DGPT
・Blender MCP
・3Dify
(Ours)
・SceneX
汎用的
特定の3DソフトやTaskに限定
2025
2024
・SceneCraft
目次
11
オープンソースのローコードツール
GitHubで☆110K starsを集める
WebのGUI上で右図のようなブロックを繋いで
LLMのワークフローを作成・共有可能
これをハブとして3Difyを考案
12
Difyのユーザは任意のLLMを選択可能
13
Blender MCP server
Unreal MCP server
Houdini MCP server
Unity MCP server
Maya MCP server
Computer
API
Local inference platform
☑any LLM Models
RAG
☑any DCC
☑any OS
GUI
CLI
Image
Generation
AI
MCP client
as Dify plugin
Planner
LLM
Previz
Workflow
UI-TARS-SDK
LLM Agents
Manager
LLM
Blender MCP server
Unreal MCP server
Houdini MCP server
Unity MCP server
Maya MCP server
Computer
☑any DCC
☑any OS
GUI
CLI
MCP client
as Dify plugin
Planner
LLM
MCP
☑1:n
☑Remote
LLM Agents
Manager
LLM
MCPとは
Anthropic考案の規格
Model Context Protocol
LLMが外部ツールを
直接呼び出すのに必要な
一式を SDKで提供
16
画像の引用 https://www.ai-souken.com/article/claude-mcp-overview
MCPクライアント
Claude Desktopの代わりの
MCPクライアントを実装可
プラグインとして実装
17
MCPサーバの雛形一部
SDKで実装
18
from mcp.server.fastmcp import FastMCP
# MCPサーバに名前を付けて起動
mcp = FastMCP(“3Dify-MCP-Server”)
# LLMが生成したコマンドを，DCCデフォルトのCLIで実行
@mcp.tool()
def send_cmd_console(cmd: str):
”””Send and execute command on DCC’s default console”””
#各DCCツール依存の実装…
LLMからも見える
ツールの説明
🎉MCPで環境依存性を排除
19
既存研究では…
・特定のソフトに限定
・UnityのC#コード内で実装→再利用困難
・有料のアセットやコンパイラに依存
Dify MCPクライアントのプロトタイプ+α�GitHubで公開中 ☆150
20
MCPのみでPCの3Dモデルを生成したデモ
21
Blender MCP server
Unreal MCP server
Houdini MCP server
Unity MCP server
Maya MCP server
Computer
API
Local inference platform
☑any LLM Models
RAG
☑any DCC
☑any OS
GUI
CLI
Image
Generation
AI
MCP client
as Dify plugin
Planner
LLM
Previz
Workflow
UI-TARS-SDK
LLM Agents
Manager
LLM
Blender MCP server
Computer
GUI
CLI
MCP client
as Dify plugin
LLM Agents
Manager
LLM
• Windows 11
• Blender 4.2 (LTS)
• Dify v1.3
• MCP Client: Our custom Dify plugin v0.0.415
• MCP Server: ahujasid/blender-mcp16 2025/5/21時点の最新版
24
前ページのMCPのみの構成でのデモ
Claude 3.7 SonnetにMCP経由でBlenderという3DCGソフトを�操作させ3DのデスクトップPCを生成した
https://drive.google.com/file/d/1KlrA2aiJHVSv-DkwUrdxFFsPyvLjZqvj/view?usp=sharing
ここまでは順調だったが…
追加で様々な指示を与えるとPCパーツがバラバラに�
【動画後半】
https://drive.google.com/file/d/1bBB2LqruMjjq14fNtLk3VAp0YW7cOouO/view?usp=sharing
GUIレベルの情報（スクリーンショット等）をLLMに与える必要が明確になった
25
26
視覚情報を与えていない→段々パーツがバラバラに
27
Blender MCP server
Computer
GUI
CLI
MCP client
as Dify plugin
LLM Agents
Manager
LLM
UI-TARS-SDK
Computer Using Agent
GUI操作に特化したマルチモーダルLLMの研究領域
【典型的な使用法】
入力 出力
画面 ＋ 指示 → 次のアクション
29
Computer Using Agent の UI-TARS[2]
30
画像の引用元：[2] UI-TARS: Pioneering Automated GUI Interaction with Native Agents (arXiv 2025)
UI-TARSは自動操作APIをwrapした�オープンソースのdesktopアプリを開発
31
Previous LLM Work and 3Dify(Ours) classification�Computer Using Agent + Codebase 3D Generation
Computer Using Agent
via GUI
Code-based 3D-CG Generation
on DCC via CLI
・Claude Computer Use
・UI-TARS
・ShowUI
・Browser-Use
・Operator
・LLMR(Unity)
MCP
Web Only
・3DGPT
・Blender MCP
・3Dify
(Ours)
・SceneX
General Usage
Specific DCC and Task
2025
2024
・SceneCraft
Computer
GUI
CLI
LLM Agents
Manager
LLM
UI-TARS-SDK
画面に見える情報だけ用いるComputer Using Agent
手法ではハイコスト ($4/h) ※操作の失敗率も高い
入力：スクリーンショット（数千トークン）
出力：GUI操作のみ
MCPサーバの軽量化
バックアップ
・汎用GUI 操作エージェント（UI-TARS）
・ユーザへの操作依頼
MCPサーバは最小限の実装で済む
34
Blender MCP server
Unreal MCP server
Houdini MCP server
Unity MCP server
Maya MCP server
Computer
API
Local inference platform
☑any LLM
RAG
☑any DCC
☑any OS
GUI
CLI
MCP client
as Dify plugin
Planner
LLM
Visualizer
LLM
UI-TARS-SDK
Image
Generation
AI
LLM Agents
Manager
LLM
マルチエージェント詳細
36
Computer
RAG
GUI
CLI
Image
Generation
AI
MCP client
as Dify plugin
Planner
LLM
Previz
Workflow
UI-TARS-SDK
LLM Agents
Manager
LLM
Computer
Using
Agent
Planner
LLM
Image Generation
Workflow
Manager LLM
command
via MCP
images
prompts
procedure
DCC tools
RAG
Instruction
Chat
Feedback Loop
GUI operation
Life-time
Blender MCP server
Unreal MCP server
Houdini MCP server
Unity MCP server
Maya MCP server
Computer
API
Local inference platform
☑any LLM Models
RAG
☑any DCC
☑any OS
GUI
CLI
MCP client
as Dify plugin
Planner
LLM
Previz
Workflow
MCP
☑1:n
☑Remote
UI-TARS-SDK
Image
Generation
AI
LLM Agents
Manager
LLM
Computer
Using
Agent
Planner
LLM
Image Generation
Workflow
Manager LLM
command
via MCP
images
prompts
procedure
DCC tools
RAG
Instruction
Chat
Feedback Loop
GUI operation
Life-time
Chat
Computer
Using
Agent
Planner
LLM
Manager LLM
DCC tools
RAG
Instruction
Feedback Loop
GUI operation
Life-time
Provide
Example Prompt
command
via MCP
Release as
Dify Plugin
Image Generation
Workflow
images
prompts
Share as
Dify Workflows
procedure
Computer
Using
Agent
Planner
LLM
Image Generation
Workflow
Manager LLM
command
via MCP
images
prompts
procedure
DCC tools
RAG
Instruction
Chat
Feedback Loop
GUI operation
Life-time
画像生成AIで完成イメージ作成�ワークフロー
43
ローカル生成AI
プラットフォーム
comfyUIと連携した例
Computer
Using
Agent
Planner
LLM
Image Generation
Workflow
Manager LLM
command
via MCP
images
prompts
procedure
DCC tools
RAG
Instruction
Chat
Feedback Loop
GUI operation
Life-time
Plannerのプロンプト一部
入力：複数画像と，生成したい物の概要テキスト�最終出力：プロシージャルモデリングの具体的な手順（DCCの具体的なレベルに依存しないレベル）以下はシステムプロンプトです�
あなたはユーザが選んだ複数の画像とメモから求められる可変性を推測し プロシージャルな3Dモデルを作成する戦略を立てるエージェントです
Spline to Mesh等，細かな3Dジオメトリ操作の組み合わせ実装は別のエージェントで行います。 各DCCツールごとに用意するような関数に依存しないレベルで抽象化された設計を行います。
しかし，ユーザがゲームエンジンを用いる場合，アニメーション制作だけでなく，ゲーム制作やシミュレーションへの応用を期待している可能性があるので，3Dモデルの見た目だけを追求せず，
適切に機能を選択する必要があるかもしれません。 例えば，リアル調の炎はメッシュで作成するより，パーティクルシステムを採用した方が性能面で良いかもしれません。このあたりの機能の選択も重要です。
最新機能の知識を補うため，インターネット等で各DCCツールの公式ドキュメント を参照できる環境なら，積極的に検索しましょう。 *** 本文 アルゴリズムはDivide-and-conquer methodに基づきます
以下に詳細を示します ** 【手順１】 分解できるパーツを考える その後，各パーツごとに以下のどちらかを行う必要があるので ・先に小さなモジュールのプロシージャルモデルを作成する ・既存のモデル,
アセットを取得できるか調査する より細かいパーツに求められるバリエーションを，各パーツごとにユーザに問う必要がある 必ずしも，このフォーマットに従って思考する必要はありませんが，
プロシージャルモデリングは綿密なパラメータ間の依存関係 などの罠に陥ります 例えば，デスクトップPCのプロシージャル3Dモデルを生成したい場合
――― 例 ――― デスクトップPCのパーツで 最低限必要なパーツは以下 ・CPU ・メモリ ・ストレージ ・マザーボード ・電源 ・冷却装置 必須ではないが，
大抵あるパーツ ・GPU ・PCケース ・その他配線 … 周辺機器には以下のようなものがありますが ・モニター ・マウス ・キーボード ユーザとの会話ログの要約を見たところ
今回求められているのは，PC本体のみの3Dモデルのようです **
【手順２】 以下の手順でパーツやモジュール間の依存関係（配置等の制約）を考える ・一般的な組み立て手順（必ずしも従う必要はないが，ヒントになる）
・既存の規格で寸法が定められているか ・配置上の制約を考える ――― 例 ――― 一般的な組み立て手順 ・マザーボードにメモリやCPU等を配置する
・マザーボードをPCケースに取り付ける ・ファンの固定を完了 ・拡張スロットを開け，GPUを取り付ける
・配線作業 ※各パーツが見えるように側面は開けたままパーツを配置し，最後に閉じる 既存の規格 マザーボード - ATX 305 x 244mm - Micro-ATX 244 x 244mm - Mini-ITX 170 x 170mm メモリースロットx2:1つ，
PCIE 16x ポート:1つ、1 つの M.2 スロット、少数の USB と SATA ポート ... 基本的な制約 制約１：外部接続のケーブルを除き，すべてのPCケースに収める 制約２：全てのパーツを適切な箇所に固定し，
電源を供給するケーブルを接続する。当然宙に浮いていてはならない
制約３：PCケースは冷却性能を考慮した設計になっている（防音性を重視したものもある） したがって，排気（上部or側面）および吸気（下部or側面）できる箇所を，
それぞれ最低1か所用意する ** 【手順３】 可変性として組み込むべきパラメータを網羅的に挙げる． それらの依存関係に注意しながら プロシージャルな手順を考える ..
.個別パーツの「独立性が強い」または「staticな要素が多い(絶対的な寸法が定まっている等)」場合，別のChatスレッドに誘導しても良い
（その際は別のスレッドに引き継げるよう要約を行うこと※ただしこのSYSTEMプロンプトは不要．あなたの思考の形跡を整理し，迷いが無いように） ** まだ各パーツが出揃っていない場合
――― 例 ――― ASSISTANT: PCの各パーツのサイズは規格により定められています． これを利用し，各パーツごとに3Dモデルを作成し，後から配置します． 配線は特にマザーボードに依存し，
寸法も規格があるため 最初にマザーボードの3Dモデルをはじめに作成します ※Divide-and-conquer methodに基づく いくつか質問があります Q1. 消費トークン数の増加を防ぐため，
別のチャットに移動しますか？ ->その場合，思考を継承するための要約を提供します Q2. 画像は自分で用意しますか？ ->必要なら，previz chatを開き 1または2nd Phaseに戻ってください
USER: A1. はい A2. はい，別の画像生成サービスを利用します 別スレッドにて ――マザーボード例―― 【手順1-child】 マザーボードの部品構成は…
【手順2-child】 各パーツの配置には配線の2次元的制約があります こだわる場合は専用のアルゴリズムやソルバーを使用すべきかもしれません -> ユーザに質問 ...
【手順3-child】 マザーボードのボード自体はPlane，コンデンサー等は円柱で メモリスロットやPCI-Eの個数は ユーザが提供した画像群を見る限り以下のような構成が一般的です．
CPUソケットは中央上部にあり，その右に2列または4列のRAMスロットが縦向きに配置されています … ** 各パーツが出揃った場合 ――― 例 ――― 全てのパーツが出揃ったので 組み立て
（プロシージャルな配置）に入ります まず，マザーボードにCPUとメモリを設置します … 以上が具体的な手順です 上記の手順を MCP・GUI等を駆使して実装するエージェントにプロンプトとして渡してください．
そちらで疑問点や困り事が発生した場合は，再度このスレッドにお知らせください 設計を見直し等を行えます。
45
Computer
Using
Agent
Planner
LLM
Image Generation
Workflow
Manager LLM
command
via MCP
images
prompts
procedure
DCC tools
RAG
Instruction
Chat
Feedback Loop
GUI operation
Life-time
RAGの利用
47
Retrieval-Augmented Generation) とは
LLM が外部の知識ベースから関連情報を検索し
その情報を基に回答を生成する技術
引用元 https://atmarkit.itmedia.co.jp/ait/articles/2403/13/news035.html
RAGのデータベースに含めるもの①
各3Dソフトの自動操作APIの公式ドキュメント
☑ ハルシネーション軽減
☑ version間の差に対応
48
RAGのデータベースに含めるもの②
3D生成Infinigen[4]モジュールをRAGのデータベースに
➡Blender非依存のプロシージャル生成の知識を共有
49
従来法
3Dify
知識を共有し
DCC上で直接生成
3Dシーンは以下を用いて生成
[4] Infinigen Indoors: Photorealistic Indoor Scenes using Procedural Generation(CVPR 2024)
InfinigenのPythonコード（データセット）�約2.5万行は個別のプロシージャル生成用
苺が数学的に生成される過程
50
strawberry_surface
seed_lib
surfaces(表面) lib
shape(輪郭) lib
quadratic(2次曲線)
stem(軸) lib
calyx_stem(へた)
FruitFactoryStrawberryクラス
実数値を代入しインスタンス化
FruitFactoryGeneralFruitクラス
libの候補を絞ってimport
AssetFactoryクラス(/core/placement/factory.py)
import
cross section(断面) lib
circle_cross_section
Numpy
Blender
Python
(bpy)
import
モジュール
検索させたい
ドキュメントの
📁をアップロード
51
DifyのRAG�手順①
DifyのRAG�手順②
以下を指定��☑ 区切り文字
☑ チャンクサイズ
☑ Embedding Model
☑ 親子検索
52
Computer
Using
Agent
Planner
LLM
Image Generation
Workflow
Manager LLM
command
via MCP
images
prompts
procedure
DCC tools
RAG
Instruction
Chat
Feedback Loop
GUI operation
Life-time
Computer
Using
Agent
Planner
LLM
Visualizer
LLM
Manager LLM
command
via MCP
images
prompts
procedure
DCC tools
RAG
Instruction
Chat
Feedback Loop
GUI operation
Life-time
Blender MCP server
Unreal MCP server
Houdini MCP server
Unity MCP server
Maya MCP server
Computer
API
Local inference platform
☑any LLM
RAG
☑any DCC
☑any OS
GUI
CLI
Image
Generation
AI
MCP client
as Dify plugin
Planner
LLM
Previz
Workflow
UI-TARS-SDK
LLM Agents
Manager
LLM
目次
56
既存研究の課題
API 呼び出しコスト増
マルチエージェント
何度もLLMを呼ぶ
実行時間と費用が増加
57
実験の目的
課題「API呼び出しのコスト増」に対し
�ローカルLLMを用いたコスト削減の検証
はバッチ推論の同時処理中のリクエスト数が
増えるほどスループット向上
�本環境でのリクエスト数に対するスケール性を調査
58
LLM×3Dの既存研究：LLMR[3]
59
画像の引用 : [3] Fernanda, D., Cathy, F., Han, H., et al.: LLMR:Real-time Prompting of Interactive Worlds using Large Language Models, Proc. CHI'24, pp.1-22, ACM (2024).
・GPTに異なる役割を与えたマルチLLMエージェント
・自然言語の指示でUnityの3Dシーンを操作するC#コードを出力する� フレームワーク
従量課金のGPTを
何度も呼ぶ
特にループがコスト大
実験概要
60
（vLLM v0.6.4.post1コンテナをsingularityに変換して使用）
画像の引用 : [3] Fernanda, D., Cathy, F., Han, H., et al.: LLMR:Real-time Prompting of Interactive Worlds using Large Language Models, Proc. CHI'24, pp.1-22, ACM (2024).
Computer
Using
Agent
Planner
LLM
Image Generation
Workflow
Manager LLM
command
via MCP
images
prompts
procedure
DCC tools
RAG
Instruction
Chat
Feedback Loop
GUI operation
Life-time
実験環境
名古屋大学情報基盤センターのスーパーコンピュータ�「不老」Type II サブシステム
NVIDIA V100（VRAM32GB）
４基×４ノード＝16 GPUで�LLMのモデルの重みを分散
62
画像の引用 : 名古屋大学情報連携推進本部 – スーパーコンピュータシステム, https://www.icts.nagoya-u.ac.jp/ja/sc/overview.html
のオプション
不老の性能評価
TypeⅡ(16GPU)を用い 45 分で 150 ユーザプロンプトに対し LLMR を完遂
465.2 円で$1=150 円換算では $3.10
モデルのロードとCUDA Graph計算に約８分
サーバを再起動せず，一括処理した方がコスパ◎
63
実験結果
64
同時処理リクエスト数
60を下回ると
スループットが
低下傾向
経過時間（秒）
実験結果
LLMエージェントの割合推移
緑のBuilder(コード生成)が処理時間の7割を占める
65
‘
‘
APIとの費用比較表 何倍
66
モデル | GPT | Claude | Llama |
バージョン | 4o | 3.5 Sonnet | 3.3-70B-Instruct |
API Option | Batch API | Prompt Cache | vLLMバッチ推論 ※不老TypeⅡ |
Cache Write |
| 3.75 $ / M tokens |
|
Cache Read |
| 0.3 $ / M tokens |
|
Input | 1.25 $ /M tokens | 3.0 $ / M tokens |
|
Output | 5 $ /M tokens | 15 $ / M tokens |
|
Real-time | × | ○ | △ |
総額 | $5.01 | $6.95 | $3.10 |
プロンプトキャッシュによるコスト削減
67
でSYSTEMプロンプトを一度だけキャッシュに書き込むと
$13.0 ➡ $6.95 （54%未満にコスト減）
Input[$ / M tokens]×2.694[M tokens] + Output[$ / M tokens]×0.3293[M tokens] = 3.0×2.694 + 15×0.3293 [$]
= $8.08 + $4.94
プロンプトキャッシュ使用時
➡$2.01 + $4.94に削減
目次
68
まとめ
背景：3D再生成が不要なプロシージャル手法への期待と
LLMを通した対話的な3D生成の既存研究の課題から
課題1. 環境依存性��☑ MCPにより排除
課題2. コスト増��コスト削減を検証
☑ APIではプロンプトキャッシュ
☑ ローカルでのバッチ推論
☑ 60リクエスト以下だと効率が低下すると判明
69
今後の課題
▢ GUIレベルでの自動操作機能の検証
▢ データベースなどのRAGの効果検証
▢ 3Difyのマルチエージェント全体の評価
70
補足資料
71
補足：前処理も加味したスループットへの変換
の仕様
・前処理と生成フェーズは排他的
・新規リクエストの前処理を優先
72
生成スループット[tokens/s]
推移だけ見ると乱高下
前処理: Avg(P) | 1229.5[tokens/s] |
生成: Avg(G) | 150.3[tokens/s] |
前処理のスループットと
重みづけで加算&正規化
キャッシュプロンプト算出詳細
73
プロ ンプトを キャッシュWrite できる最低トークン数 1024 を超えている
のオプション詳細
74
LLM×3Dの既存研究２：3DGPT
75
画像の引用 : [2] 3D-GPT: Procedural 3D Modeling with Large Language Models, GitHub (online), available from <https://github.com/Chuny1/3DGPT> (accessed 2025-03-08).
・Blenderでテキストから3Dシーンを生成，編集
・プロシージャル生成Pythonモジュールのラッパー
≒Skill Library
GPT
≒Builder�GPT
既存研究LLMRと�同等のGPTを含む
既存研究と3Difyメインワークフロー対応表
76
Planner
画像生成Workflow + Planner
Planner
Manager
Manager
Difyを不老のsingularityで動かすことに苦戦�Docker Composeとネットワーク権限の問題
77
Nginxというプロキシサーバの権限が足りずWEBコンテナに直接アクセスするしかない
・暗号化(TLS)や困難
・プラグインが動作しない
78
79
ソースコードに特化したRAGの考案
RAGでヒットしたPythonファイルをクエリとして再帰入力する�関連するコードを全て抽出する
基本的なRAG
コードの特徴を
利用したRAG
クエリ
クエリ
2025年6月頃からRAGの情勢が変化
Claude Codeの登場
CLI上で動作する
エージェント型コーディングツール
CLIのBashコマンド等を駆使してファイル一覧を把握し
必要に応じて、文字列で検索をかけて
数十行だけREADしたり
親子検索等の従来のRAGより柔軟
80
VibeCodeHPCへの注力
81
82
VibeCodeHPCのマルチエージェント
v1 Claude Code単体（既に作成済み）
v2 tmux 集約並列マルチエージェント（作成中）
v3 A2A 分散並列マルチエージェント（構想段階）
※3Difyは VibeCodeHPC を用いて再構築予定
メインを Dify→Claude Code等のCLI型 に変更
83
84
GitHubでマルチエージェントを開発中
85