大規模言語モデル（LLM）エージェントは、複雑なタスクに取り組むためにますます多く展開されており、しばしば専門化された複数のエージェントの協力が求められます。しかし、マルチエージェント協力は、計画、調整、検証において新たな課題をもたらします。実行の失敗は、必ずしも不適切な推論によるものではなく、タスクの解釈、出力形式、またはエージェント間の引き継ぎの微妙な不整合によっても発生します。これらの課題に対処するために、我々はVeriMAPというフレームワークを提案します。これは検証意識のある計画を行うマルチエージェントの協力のためのもので、タスクを分解し、サブタスクの依存関係をモデル化し、計画者定義のパス基準をサブタスクの検証関数（VF）としてエンコードします。多様なデータセット上での実験により、VeriMAPは単一エージェントおよびマルチエージェントのベースラインよりも優れた成果を示し、システムの堅牢性と解釈可能性を向上させることを実証しました。検証意識のある計画が、外部のラベルや注釈に依存せずにマルチエージェントシステムの信頼性のある調整と反復的な改善を可能にすることが分析から明らかになりました。