Cloudflare Agents / Workers AI - エッジでAIエージェントを実行する新時代

AI/LLMアプリケーションの課題は、推論サーバーのコスト・レイテンシ・スケーラビリティです。Cloudflare AgentsとWorkers AIは、エッジネットワーク上でLLM推論・エージェント実行をサーバーレス提供し、グローバルなAIアプリケーションを低コストで構築できます。本記事では、Cloudflare Agents/Workers AIの特徴と実践的な利用方法を解説します。

Cloudflare Workers AIとは

Cloudflare Workers AIは、Cloudflareのエッジネットワーク上でLLM推論・画像生成・音声認識等のAIモデルを実行するサーバーレスプラットフォームです。開発者はインフラ管理なしに、APIを通じてAI機能を利用できます。

主要な特徴

• エッジ実行: 世界300都市以上のデータセンターでAI推論を実行
• 低レイテンシ: ユーザーに最も近いエッジでモデルを実行し、応答時間を最小化
• サーバーレス: インフラ管理・GPU設定不要、従量課金制
• 豊富なモデル: Llama・Mistral・Stable Diffusion等のオープンソースモデルを標準装備
• Workers統合: Cloudflare Workersと統合し、エッジでフルスタックAIアプリを構築
• ストリーミング: LLM出力をリアルタイムでストリーミング

Cloudflare Agentsとは

Cloudflare Agentsは、Workers AI上でLLMエージェントを実行するフレームワークです。複数のツール（API呼び出し・データベースクエリ・外部サービス連携等）を組み合わせて、複雑なAIワークフローをエッジで自動化できます。

主要な特徴

• ツール統合: 外部API・Cloudflare D1・KV・R2等と連携
• ReAct/Function Callingサポート: LLMが自律的にツールを選択・実行
• ステートフル実行: Durable Objectsで会話履歴・コンテキストを保持
• 並列実行: 複数のエージェントタスクを同時実行
• Webフレームワーク統合: Hono・Next.js等と組み合わせてフルスタックアプリを構築

アーキテクチャ

flowchart TB
    subgraph Client["クライアント"]
        A1["Webブラウザ/API"]
    end

    subgraph Edge["Cloudflare Edge (300+ Cities)"]
        B1["Cloudflare Workers"]
        B2["Workers AI<br/>(LLM推論)"]
        B3["Cloudflare Agents<br/>(エージェント実行)"]
        B4["D1 (SQLite)"]
        B5["KV (Key-Value)"]
        B6["R2 (Object Storage)"]
    end

    subgraph External["外部サービス"]
        C1["API/データソース"]
    end

    A1 --> B1
    B1 --> B2
    B1 --> B3
    B3 --> B2
    B3 --> B4
    B3 --> B5
    B3 --> B6
    B3 --> C1

• Cloudflare Workers: HTTPリクエストを受け取り、エージェントを起動
• Workers AI: LLM推論を実行（Llama・Mistral等）
• Cloudflare Agents: ツールを呼び出し、複雑なワークフローを実行
• D1/KV/R2: データベース・キャッシュ・ストレージとしてエッジで利用

インストールとセットアップ

Wranglerのインストール

# Wrangler（Cloudflare CLIツール）をインストール
npm install -g wrangler

# ログイン
wrangler login

プロジェクト作成

# Workers AIプロジェクトを作成
npm create cloudflare@latest my-ai-app -- --template workers-ai

cd my-ai-app

# 依存関係をインストール
npm install

Workers AIでLLM推論

基本的なLLM推論

// src/index.ts
export interface Env {
  AI: any;
}

export default {
  async fetch(request: Request, env: Env): Promise<Response> {
    // Workers AIでLlama 2を実行
    const response = await env.AI.run('@cf/meta/llama-2-7b-chat-int8', {
      prompt: 'Explain quantum computing in simple terms',
    });

    return new Response(JSON.stringify(response), {
      headers: { 'Content-Type': 'application/json' },
    });
  },
};

# ローカルで実行
npm run dev

# デプロイ
npm run deploy

ストリーミングレスポンス

// ストリーミングでLLM出力を返す
export default {
  async fetch(request: Request, env: Env): Promise<Response> {
    const stream = await env.AI.run(
      '@cf/meta/llama-2-7b-chat-int8',
      {
        prompt: 'Write a short story about a robot',
        stream: true,
      }
    );

    return new Response(stream, {
      headers: {
        'Content-Type': 'text/event-stream',
        'Cache-Control': 'no-cache',
      },
    });
  },
};

ユーザーは生成されたテキストをリアルタイムで受け取れます。

複数プロンプトのバッチ処理

// 複数プロンプトを並列実行
export default {
  async fetch(request: Request, env: Env): Promise<Response> {
    const prompts = [
      'Summarize the latest AI trends',
      'Explain Rust programming',
      'Describe quantum computing',
    ];

    const results = await Promise.all(
      prompts.map((prompt) =>
        env.AI.run('@cf/meta/llama-2-7b-chat-int8', { prompt })
      )
    );

    return new Response(JSON.stringify(results), {
      headers: { 'Content-Type': 'application/json' },
    });
  },
};

Cloudflare Agentsでエージェント実行

基本的なエージェント

// エージェントにツールを追加
import { Ai } from '@cloudflare/ai';

export default {
  async fetch(request: Request, env: Env): Promise<Response> {
    const ai = new Ai(env.AI);

    // ツール定義
    const tools = [
      {
        name: 'get_weather',
        description: 'Get current weather for a city',
        parameters: {
          type: 'object',
          properties: {
            city: { type: 'string', description: 'City name' },
          },
          required: ['city'],
        },
      },
    ];

    // エージェント実行
    const response = await ai.run('@cf/meta/llama-2-7b-chat-int8', {
      messages: [
        {
          role: 'user',
          content: 'What is the weather in Tokyo?',
        },
      ],
      tools,
    });

    // ツール呼び出しを処理
    if (response.tool_calls) {
      const toolCall = response.tool_calls[0];
      if (toolCall.function.name === 'get_weather') {
        const args = JSON.parse(toolCall.function.arguments);
        const weather = await fetchWeather(args.city);
        
        // 結果をLLMに返す
        const finalResponse = await ai.run('@cf/meta/llama-2-7b-chat-int8', {
          messages: [
            {
              role: 'user',
              content: 'What is the weather in Tokyo?',
            },
            {
              role: 'assistant',
              tool_calls: response.tool_calls,
            },
            {
              role: 'tool',
              content: JSON.stringify(weather),
            },
          ],
        });

        return new Response(finalResponse.response);
      }
    }

    return new Response(response.response);
  },
};

async function fetchWeather(city: string) {
  // 天気APIを呼び出し（ダミー）
  return { city, temperature: 22, condition: 'sunny' };
}

D1データベースとの統合

// D1（SQLite）とエージェントを統合
export interface Env {
  AI: any;
  DB: D1Database;
}

export default {
  async fetch(request: Request, env: Env): Promise<Response> {
    const ai = new Ai(env.AI);

    const tools = [
      {
        name: 'query_users',
        description: 'Query users from database',
        parameters: {
          type: 'object',
          properties: {
            name: { type: 'string', description: 'User name' },
          },
        },
      },
    ];

    const response = await ai.run('@cf/meta/llama-2-7b-chat-int8', {
      messages: [
        {
          role: 'user',
          content: 'Find user Alice in the database',
        },
      ],
      tools,
    });

    if (response.tool_calls) {
      const toolCall = response.tool_calls[0];
      if (toolCall.function.name === 'query_users') {
        const args = JSON.parse(toolCall.function.arguments);
        
        // D1でクエリ実行
        const result = await env.DB.prepare(
          'SELECT * FROM users WHERE name = ?'
        ).bind(args.name).all();

        return new Response(JSON.stringify(result.results));
      }
    }

    return new Response(response.response);
  },
};

利用可能なモデル

Workers AIは、以下のオープンソースモデルを標準提供しています。

LLM（テキスト生成）

• @cf/meta/llama-2-7b-chat-int8: Llama 2 7B（チャット最適化）
• @cf/mistral/mistral-7b-instruct-v0.1: Mistral 7B Instruct
• @cf/meta/llama-3-8b-instruct: Llama 3 8B Instruct

画像生成

• @cf/stabilityai/stable-diffusion-xl-base-1.0: Stable Diffusion XL

音声認識

• @cf/openai/whisper: Whisper（音声→テキスト）

埋め込み

• @cf/baai/bge-base-en-v1.5: BGE Embedding

Workers AIとOpenAI APIの比較

低レイテンシ・低コストを重視するならWorkers AI、最高精度のモデルを使うならOpenAI APIを選択します。

Workers AIとAWS Bedrockの比較

Cloudflareエコシステムを使うならWorkers AI、AWSエコシステムならBedrockを選択します。

実践的なユースケース

1. チャットボット

// D1でチャット履歴を保存
export default {
  async fetch(request: Request, env: Env): Promise<Response> {
    const { message, userId } = await request.json();

    // 過去のメッセージを取得
    const history = await env.DB.prepare(
      'SELECT role, content FROM messages WHERE user_id = ? ORDER BY created_at DESC LIMIT 10'
    ).bind(userId).all();

    const messages = [
      ...history.results.reverse(),
      { role: 'user', content: message },
    ];

    // LLMで応答生成
    const response = await env.AI.run('@cf/meta/llama-2-7b-chat-int8', {
      messages,
    });

    // メッセージを保存
    await env.DB.prepare(
      'INSERT INTO messages (user_id, role, content) VALUES (?, ?, ?)'
    ).bind(userId, 'user', message).run();

    await env.DB.prepare(
      'INSERT INTO messages (user_id, role, content) VALUES (?, ?, ?)'
    ).bind(userId, 'assistant', response.response).run();

    return new Response(response.response);
  },
};

2. 画像生成API

// Stable Diffusionで画像生成
export default {
  async fetch(request: Request, env: Env): Promise<Response> {
    const { prompt } = await request.json();

    const image = await env.AI.run(
      '@cf/stabilityai/stable-diffusion-xl-base-1.0',
      {
        prompt,
      }
    );

    return new Response(image, {
      headers: { 'Content-Type': 'image/png' },
    });
  },
};

3. RAG（Retrieval-Augmented Generation）

// Vectorizeでベクトル検索、LLMで回答生成
export interface Env {
  AI: any;
  VECTORIZE: VectorizeIndex;
}

export default {
  async fetch(request: Request, env: Env): Promise<Response> {
    const { query } = await request.json();

    // クエリを埋め込みベクトルに変換
    const queryVector = await env.AI.run('@cf/baai/bge-base-en-v1.5', {
      text: query,
    });

    // ベクトル検索で関連ドキュメントを取得
    const results = await env.VECTORIZE.query(queryVector.data[0], {
      topK: 3,
    });

    const context = results.matches.map((m) => m.metadata.text).join('\n');

    // LLMで回答生成
    const response = await env.AI.run('@cf/meta/llama-2-7b-chat-int8', {
      messages: [
        {
          role: 'system',
          content: `Answer the question based on the following context:\n${context}`,
        },
        {
          role: 'user',
          content: query,
        },
      ],
    });

    return new Response(response.response);
  },
};

詳細なRAG実装については、RAG 2025 - 最新の検索拡張生成技術を参照してください。

まとめ

Cloudflare AgentsとWorkers AIは、エッジネットワーク上でLLM推論・エージェント実行をサーバーレス提供し、低レイテンシ・低コスト・グローバル配信を実現します。Cloudflare Workers統合により、フルスタックAIアプリをエッジで構築できます。

Cloudflare Agents/Workers AIを選ぶべきケース

• グローバルにユーザーがいるアプリで低レイテンシを実現したい
• サーバーレスでAI機能を提供したい
• Cloudflareエコシステム（Workers・D1・KV・R2）を使っている
• オープンソースモデルで十分な精度が得られる
• 従量課金で低コストにAIアプリを運用したい

CloudflareはエッジAIに積極的に投資しており、Workers AIのモデル・機能は今後さらに拡充される予定です。エッジでのAI実行は、次世代のWebアプリケーションの標準になると予想されます。

関連記事

• Cloudflare Workers 2026 - エッジコンピューティング最新動向
• LangChain 2026 - LLMアプリケーション開発フレームワーク