APIエージェント対GUIエージェント：分岐と収束

API Agents vs. GUI Agents: Divergence and Convergence

March 14, 2025

著者: Chaoyun Zhang, Shilin He, Liqun Li, Si Qin, Yu Kang, Qingwei Lin, Dongmei Zhang

cs.AI

要旨

大規模言語モデル（LLM）は、単なるテキスト生成を超え、自然言語のコマンドを具体的なアクションに直接変換するソフトウェアエージェントを駆動するまでに進化してきた。APIベースのLLMエージェントは、その堅牢な自動化能力とプログラム的なエンドポイントとのシームレスな統合により、当初注目を集めた。しかし、最近のマルチモーダルLLM研究の進展により、グラフィカルユーザーインターフェース（GUI）を人間のように操作するGUIベースのLLMエージェントが可能となった。これら2つのパラダイムは、LLM駆動のタスク自動化を実現するという目標を共有しているものの、アーキテクチャの複雑さ、開発ワークフロー、ユーザーインタラクションモデルにおいて大きく異なる。 本論文は、APIベースとGUIベースのLLMエージェントを初めて包括的に比較し、その相違点と潜在的な統合点を体系的に分析する。主要な次元を検証し、ハイブリッドアプローチがそれらの補完的な強みを活かすことができるシナリオを明示する。明確な意思決定基準を提案し、実践的なユースケースを提示することで、実務者や研究者がこれらのパラダイムを選択、組み合わせ、または移行する際の指針を提供することを目指す。最終的に、LLMベースの自動化における継続的なイノベーションが、API駆動とGUI駆動のエージェントの境界を曖昧にし、幅広い実世界のアプリケーションにおいてより柔軟で適応的なソリューションへの道を開くことを示唆する。

English

Large language models (LLMs) have evolved beyond simple text generation to power software agents that directly translate natural language commands into tangible actions. While API-based LLM agents initially rose to prominence for their robust automation capabilities and seamless integration with programmatic endpoints, recent progress in multimodal LLM research has enabled GUI-based LLM agents that interact with graphical user interfaces in a human-like manner. Although these two paradigms share the goal of enabling LLM-driven task automation, they diverge significantly in architectural complexity, development workflows, and user interaction models. This paper presents the first comprehensive comparative study of API-based and GUI-based LLM agents, systematically analyzing their divergence and potential convergence. We examine key dimensions and highlight scenarios in which hybrid approaches can harness their complementary strengths. By proposing clear decision criteria and illustrating practical use cases, we aim to guide practitioners and researchers in selecting, combining, or transitioning between these paradigms. Ultimately, we indicate that continuing innovations in LLM-based automation are poised to blur the lines between API- and GUI-driven agents, paving the way for more flexible, adaptive solutions in a wide range of real-world applications.