LLMベースのエージェント開発は急速に進化していますが、その設計パターンを体系的に分類する統一的なフレームワークが長らく欠けていました。既存のアプローチは主に2つの観点から構築されています。一つはAnthropicやGoogle、LangChainといった業界のガイドが示す「実行トポロジー」で、データがどのように流れるかという観点です。もう一つは認知科学の調査が取り上げる「認知機能」で、エージェントが何をするかという観点です。しかし、いずれか一方の軸だけでは、アーキテクチャ的に異なるシステムを十分に区別できません。同じOrchestrator-Workersトポロジーであっても、Plan-and-ExecuteやHierarchical Delegation、Adversarial Verificationなど、失敗モードと設計上のトレードオフが根本的に異なる3つのパターンを実装できるのです。 この課題に対応するため、新しい二次元分類フレームワークが提案されました。認知機能軸には7つのカテゴリ（Context Engineering、Memory、Reasoning、Action、Reflection、Collaboration、Governance）が設定され、実行トポロジー軸には6つの構造的アーキタイプ（Chain、Route、Parallel、Orchestrate、Loop、Hierarchy）が配置されています。この7×6のマトリクスにより、全27の名付けられたパターンが特定され、そのうち13は独自の命名となっています。 フレームワークの有効性は、金融融資、法務デューデリジェンス、ネットワーク運用、医療トリアージの4つの実世界ドメインで検証されました。このクロスドメイン分析を通じて、環境制約（時間圧力、行動権限、失敗コストの非対称性、処理量）とアーキテクチャ選択の関係を支配する5つの経験則が導き出されました。 本フレームワークは、モデルに依存せず、特定のフレームワークに縛られない、AIエージェント設計のための原理的で汎用的な用語体系を提供します。これにより、エンジニアや研究者は異なるプロジェクト間で設計パターンについてより明確にコミュニケーションでき、既存システムの分析や新しいシステムの設計がより体系的に行えるようになります。