1. プレスリリース概要
- 発表日: 2026年9月10日
- 発表主体: リコージャパン株式会社
- 発表タイトル: 「RICOH オンプレLLMスターターキット」エッジモデルに自己改善型AIエージェント「Hermes Agent」を搭載
- コアトピック:オンプレミス環境下で生成AI導入から運用までをワンストップ支援する「RICOH オンプレLLMスターターキット」のエッジモデルに、Nous Research開発のオープンソース自己改善型AIエージェント「Hermes Agent」を新たに標準搭載。超小型AIサーバー「Dell Pro Max with GB10」、リコー製ローカルLLM、および「Dify」を組み合わせることで、完全ローカルかつコスト固定で自律型タスクを実行可能にする。
2. エンジニアが直面する「Agentic Loop」の二重苦
単発のチャットボットや一発検索のRAGとは異なり、AIエージェント（Agentic AI）は「計画 → 実行 → 観察 → 修正」という推論ループ（Agentic Loop）を回す。この挙動が従来のクラウド依存アーキテクチャに以下の重大な摩擦を生じさせている。
- APIコストの指数関数的増加:
1つの複雑なタスク処理に対して数十〜数百回の推論リクエストが発生するため、パブリッククラウド（OpenAI/Anthropic等）の従量課金モデルではリトライや試行錯誤のコストが予測不能になる。
- ガバナンスとデータ境界の制約:
エージェントがローカル環境のファイル、DB、OSコマンド等を操作する際、文脈情報（機密コードや顧客データ）が外部APIへ高頻度で送信されるリスクが存在する。
本発表の基盤構成は、これら「コスト」と「セキュリティ」のトレードオフをオンプレミス（エッジ）化によって根本から解決するアプローチである。
3. システムアーキテクチャとレイヤー構造
本パッケージの技術スタックは、クライアントアクセスから最下層のハードウェアに至るまで、エッジ環境内で完結する4階層の洗練された統合レイヤーによって構成されている。
最上層のクライアントレイヤーでは、ユーザーが社内ネットワークを通じて「Hermes Desktop」アプリケーションやWebブラウザからシステムへアクセスする。このインターフェースを起点として、中核をなすアプリケーションレイヤーへとリクエストが送信される。アプリケーションレイヤーには、定型的なワークフロー制御やRAG構築を担う「Dify」と、非定型な自律判断およびツール操作を実行する「Hermes Agent」の2つがプリインストールされており、業務の性質に応じて柔軟に分業を行う。
これら上位層の思考と処理を支えるのが、実行・LLMレイヤーである。ここにはリコー独自のローカル大規模言語モデル（LLM）と推論エンジンが配置され、外部APIに一切依存することなく社内ネットワーク閉域内で高速な言語処理およびコード生成を展開する。そして、これらすべてのソフトウェアスタックを物理的に支えるのが、最下層の物理インフラストラクチャレイヤーに位置する超小型デスクサイドAIサーバー「Dell Pro Max with GB10」である。オフィス内に設置可能なコンパクト筐体でありながら、エージェントの連続的な推論ループにも耐えうる専用計算リソースを提供し、強固なセキュア・エッジ基盤を確立している。
4. エンジニアが直面する技術課題と解決アプローチ
導入にあたってエンジニアやAIアーキテクトが抱く潜在的な疑問や実装上の懸念を抽出し、技術的回答をまとめた。
Q1. 「Hermes Agent」の自己改善（Self-Improvement）はどのように機能するのか？
回答: タスク実行時の思考プロセス、実行コマンド、成否結果をメタデータ化し、成功した作業手順を「スキル」としてローカルのリポジトリに永続化する。次回類似タスク実行時にはそのスキルをコンテキストとして参照（Retrieval）するため、利用を重ねるほど試行ステップが削減され、処理速度と再現性が向上する。
Q2. 確定的なワークフロー（Dify）と自律型（Hermes Agent）はどう役割分担すべきか？
回答: 業務の「確実性」と「柔軟性」で明確に分離する。
- Difyの役割: 固定フォーマットのデータ抽出、API連携、RAG構築、権限が厳格な定型処理。
- Hermes Agentの役割: フォーマットが不揃いなファイルの解析、スクリプトの動的生成とエラー自己修復、例外処理の試行錯誤。
Q3. ローカル環境におけるエージェントの安全管理（AgentOps）はどう維持されるのか？
回答: Hermes Agentはデスクトップアプリ（Hermes Desktop）等を介してローカルのサンドボックス環境で動作する。OSコマンドやファイル操作の権限範囲（ファイルシステムアクセス制限やネットワークアウトバウンド制限）をローカル側で厳密にコンフィグ管理することで、クラウド経由での予期せぬシャドーAI化を防ぐ。
5. 競合・代替アプローチとの比較
エンタープライズ領域における主要なAIエージェント構築手法との対比は以下の通り。
| 評価軸 | RICOH オンプレLLMキット | パブリッククラウド(AWS Bedrock / Azure AI) | オンプレ延伸クラウド(AWS Outposts 等) | 完全自作（DIY）(LangGraph + 自前GPU) |
| セキュリティ・データ境界 | 完全閉域 | 外部送信リスクあり | 高い（一部管理はクラウド） | 完全閉域 |
| コスト構造 | 機器導入＋固定費 | 推論単位の従量課金 | 毎月の高額サブスク | 機器導入＋固定費 |
| 自律ループの許容度 | 無制限（試行コストゼロ） | コスト制約による制限 | サブスクリプション上限内 | 無制限（試行コストゼロ） |
| 初期構築・運用負荷 | 極めて低い（プリセット） | 低い | 中程度 | 極めて高い（環境維持コスト大） |
6. まとめ：AIエンジニアに求められる今後のスキルセット
本パッケージの登場は、「無制限に自律ループを回せるローカル環境こそが、自己改善型エージェントの性能を真に引き出す」というアーキテクチャ上のトレンドを明示している。
今後、現場のエンジニアには以下の領域での知見が求められる。
- AgentOps & サンドボックス設計: エージェントの実行権限隔離とローカルログの監査・制御。
- ハイブリッド・オーケストレーション: Dify（DAG型ワークフロー）とHermes Agent（自律ループ）を組み合わせた耐障害性の高いシステム設計。
- エッジリソースの最適化: 物理サーバーのリソース制約下におけるローカルLLMの量子化運用および並列実行制御。
