プロジェクト一覧

agentgatewayガードレール

エージェントと、その呼び出し先——モデルプロバイダ、MCPサーバー、他のエージェント——の間に置くRust製のデータプレーンです。認証、RBAC、レート制限、OpenTelemetryへの送出をエージェントごとに実装せず、ここで一度だけ設定します。Solo.ioが2025年8月にLinux Foundationへ寄贈し、2026年6月にはMCPやgooseと同じAgentic AI Foundationの傘下へ移りました。ただしリクエスト経路上に置く基盤としては歴史が浅く、下流のMCPサーバーへ利用者ごとの識別情報を引き渡す仕組みは未対応の課題として残っているため、必要な認証方式を先に確認してください。

Aiderコーディングエージェント

すべての変更がgitコミットとして記録されるため、AIによる編集が同僚の編集と同じようにレビュー可能・巻き戻し可能になります。リポジトリマップの仕組みにより、コンテキストウィンドウを大きく超える規模のコードベースでも作業できます。ターミナル専用という設計は、そこで作業する人には強みですが、エディタ内での利用を求める場合は選択肢になりません。

AutoGenマルチエージェント制御

マルチエージェントシステムに対するMicrosoft Researchのアプローチで、専門化したエージェント間の構造化された対話から解が立ち上がります。探索的な課題や研究寄りの問題に強みがあります。採用前に確認すべき点が2つあります。メジャーバージョン間でAPIが大きく作り直されていること、そしてGitHubがリポジトリのライセンスをCC-BY-4.0と報告していることです。後者はコンテンツ向けのライセンスであり、OSI承認のソフトウェアライセンスではありません。商用利用の前にメンテナへ条件を確認してください。

Browser Useコンピュータ操作

スクリーンショットからクリック座標を推測させるのではなく、ページ上の操作可能な要素を抽出して構造化リストとしてモデルに渡します。この方式により、フォーム入力やスクレイピングでの安定性が明確に高くなります。一方でcanvas主体のアプリケーションや、bot対策の強いサイトでは読み取れるDOMが存在せず、精度が落ちます。

ChromaベクトルDB

検索を動かすまでの摩擦が最も少ない選択肢です。サーバーの構築もクラスタのサイジングも不要です。そのためプロトタイプや小規模な本番負荷には非常に適しています。一方で、どの規模で手狭になるかは、遭遇してから慌てるのではなく事前に計画しておくべき論点です。

ClickHouse可観測性

追記が中心で値の種類が多いデータ——モデル呼び出しごとに1行を記録し、後からモデル名やコスト、エラーで絞り込む——に向いた列指向エンジンです。Langfuseは2024年12月にトレースの保存先をPostgreSQLからClickHouseへ移し、2026年1月にはClickHouseがLangfuseを買収したため、セルフホストの可観測性基盤を組むと下層にこれが入る構成が増えています。一方でトランザクション処理には向かず、更新や削除は行の書き換えではなく列パート単位の再作成になるため、アプリケーションの状態を書き込む先ではなく、エージェントの実行記録が着地する場所として扱ってください。

Clineコーディングエージェント

VS Code上で動作し、ファイル書き込みやターミナルコマンドの実行前に都度承認を求めます。作業の流れを断ち切らずに人間を関与させられるのが利点です。MCP対応により、エディタ外のツールにも到達できます。この承認プロンプトこそが安全機構であり、すべて無効化すると本ツールを選ぶ主要な理由が失われます。

cloudflare-os実行環境

Cloudflare OSは、エージェントとの対話と、そのエージェントが書き上げる小型アプリ（Gadget）を同じ画面に載せた業務環境です。Gadgetのサーバー側はインターネット接続を無効化したDynamic Worker、クライアント側はサンドボックス化したiframeで動き、両者の通信はpostMessage経由のCap'n Web RPCに限られます。外部サービスへは利用者が明示的に「紹介」したリソースだけにGatekeeper経由で到達し、副作用のある操作はいったん模擬結果を返してエージェントを止めずに進ませ、実行そのものは後からまとめて承認・却下できます。ただし設計はWorkers固有の機能に深く依存しており、ワークスペースはDurable Object、GadgetはDynamic WorkerのFacetとして動きます。自前サーバーのworkerdへ載せる手順はREADMEでもCOMING SOONのままで、実質的な選択肢はCloudflareアカウントへのデプロイになります。2026年8月時点のv2は開発元自身がearly accessと位置づけているうえ、Gatekeeper側にも接続先ごとの設定が必要なものが多く、サービスによってはOAuthクライアント資格情報の取得が必要です。

codex-securityガードレール

基本形は`npx @openai/codex-security scan .`で、結果のJSONはstdoutに出ます。`--mode deep`ではworkerとsubagentを並べ、新しい検出が出なくなるまで探索を続けます。再スキャン時は`scans compare BEFORE_SCAN_ID AFTER_SCAN_ID`が根本原因で前回と突き合わせ、new／persisting／reopened／resolved／unknownに分類するため、差分だけを追えます。ただし探索は既定で96時間まで回る長丁場であり、コミット前の軽量チェックには向きません。実行にはCodex Securityへのアクセスが前提で、一部のサイバーセキュリティ要求やprotected findingsはTrusted Access for Cyberの承認が必要になる点も、導入前に確認しておきたいところです。

Continueコーディングエージェント

補完・チャット・編集を、指定した任意のモデルで動かせます。自前のハードウェア上で動くモデルも指定可能です。コードを社外に出せない環境で現実的に選べる数少ない選択肢のひとつになります。その柔軟性の代償として、設定はホスティング型の代替手段より手間がかかります。

Crawl4AIデータ取込

ホスティング型クローラと同じ役割を、寛容なライセンスのセルフホストで果たします。抽出戦略をサイトごとに定義できます。サービスではなくライブラリであるため、プロキシの扱いやレート制限は自分で設計・管理することになります。

CrewAIマルチエージェント制御

タスクを、役割と目標を持つエージェントのチームとして表現し、互いに作業を引き渡させます。この比喩によりマルチエージェント設計が一目で読めるようになり、デモ映えする理由にもなっています。ただし、役割を演じる複数エージェントが、よく設計された単一エージェントを実際に上回るかは、導入前に計測する価値があります。答えが「否」であることは珍しくありません。

deepseek-harnessフレームワーク

`dsh`はDeepSeek AIが自ら開発するエージェントハーネスで、`npx @deepseek-ai/dsh web`を実行すれば既定で`http://127.0.0.1:3080`にWeb UIが立ち上がります。中身はCordisを土台にした「すべてがプラグイン」の構成なので、既製の挙動をそのまま使うより、自分で機能を足していく前提のチームに向いています。一方で本人たちがdeveloper previewと明言し、互換性を壊す変更があるとREADMEで大文字の警告を出しているため、いま書いたプラグインが次のバージョンでそのまま動く保証はありません。READMEが説明する起動方法も`web`コマンドとソースからの実行だけで、それ以外は開発ガイドとアーキテクチャ文書へのリンクが示されるにとどまる点は把握しておきたいところです。

Difyワークフロー

プロンプトのオーケストレーション、検索、エージェントツール、管理UIまでを備えた統合プラットフォームで、初期構築さえ済めば非エンジニアでも運用できます。ライセンスはApache 2.0に、マルチテナント提供とブランディングに関する追加条件を加えたもので、OSSではなくソース公開型にあたります。この上に製品を構築する前に必ず確認してください。

DSPyプロンプト最適化

各ステップが何をすべきかを宣言し、評価指標を与えると、オプティマイザがそれを最大化するプロンプトと少数事例を探索します。パイプラインの改善が、経験則ではなく計測可能な作業になるのが利点です。評価用データセットが前提であり、それがなければ最適化の対象自体が存在しません。

E2B実行環境

1秒を大きく下回る時間で隔離されたマイクロVMを起動できるため、タスクごとのサンドボックス化が理論ではなく実務になります。エージェントに自作コードを実行させるなら、この種の仕組みは「あると良いもの」ではなく必須要件です。セルフホストも可能ですが、ホスティング版に比べて相応の作業量が必要になります。

Firecrawlデータ取込

JavaScriptをレンダリングし、リンクを辿り、検索コーパスを汚染しがちなナビゲーションや定型部分を除去します。RAGの地味なほうの半分をきちんと解決してくれます。AGPLライセンスのため、サービスとして公開する計画がある場合は条項の確認が必要です。

Gooseコーディングエージェント

CLIまたはデスクトップアプリとしてローカルで動作し、固定のツール一覧ではなくMCP拡張によって機能を獲得します。そのため、同一のエージェントでコード、インフラ、外部サービスを扱えます。モデル非依存の設計は、プロバイダの切り替えを想定する場合に効いてきます。

hermes-agentツール連携

Nous Research自身が開発するエージェント本体で、TUIと単一のgatewayプロセスがTelegram、Discord、Slack、WhatsApp、Signal、Emailの会話を束ね、cronスケジューラ、隔離されたサブエージェント、local/Docker/SSH/Singularity/Modal/Daytona/Vercel Sandboxという7種類のターミナルバックエンドを備えます。核になるのは閉じた学習ループで、定期的な促しに応じて記憶を整理し、複雑なタスクの後に自らスキルを作り、FTS5とLLM要約で過去セッションを検索します。裏を返せば、有用さの源である状態が`~/.hermes`配下に溜まり続け、バージョン管理の外で育つため、定期的な棚卸しが前提になります。組み込み用のライブラリではなく運用するアシスタントであり、READMEが記載するのはhermesのサブコマンドとスラッシュコマンドで、埋め込み用のAPIではありません。自作コードから呼ぶエージェントループが欲しい用途には向きません。シェルを扱えるエージェントをチャット経由で露出させる以上、コマンド承認とDMペアリングの設定は任意の飾りではなくなります。

LangChainフレームワーク

本当の価値は網羅性にあります。必要なモデル、ベクトルストア、APIのアダプタはたいてい既に存在し、着想からプロトタイプまでの距離が短くなります。抽象化の階層が深いという評価は根強く、多くのチームは連携部分にこれを使い、制御フローが複雑になった段階でより明示的な実装に移行しています。

Langflowワークフロー

エージェントを視覚的に下書きし、パイプラインの実際の動きを非エンジニアに見せ、そのままAPIとして書き出す用途に向いています。分岐が増えるとビジュアルエディタは扱いにくくなるため、複雑なロジックの最終的な置き場ではなく、設計とデモの場として使うのが現実的です。

Langfuse可観測性

エージェントが実際に何をしたか——各呼び出し、ツール実行、コスト——を記録し、そのトレースを評価用データセットへ変換できます。マネージド版とDocker Composeでセルフホストする版が同一コードベースのため、どちらの方向にも移行コストが低いのが利点です。一部のエンタープライズ機能はMITのコア部分に含まれないため、必要な機能の提供範囲を事前に確認してください。

LangGraphフレームワーク

エージェントを「中身の見えないループ」ではなく、ノードとエッジの明示的なグラフとして表現します。永続チェックポイントにより実行を人間の承認待ちで中断し、後から再開できるため、本番システムに触れるワークフローで現実的な選択肢になります。反面、単純なツール呼び出しだけのエージェントには記述量が多く、他のフレームワークより初期セットアップが重くなります。

Lettaメモリ / コンテキスト

コンテキストウィンドウをRAM、それ以外をディスクとみなし、何を読み込み何を退避するかをエージェント自身に判断させます。この枠組みにより、無期限に動き続けるエージェントが扱える対象になります。既存スタックにメモリライブラリを後付けするより、思想への踏み込みが大きい選択です。

llama.cppモデルサービング

ここでの量子化の成果が、データセンターGPUのないハードウェアで実用的なモデルを動かせるようにしました。ローカルモデル関連エコシステムの多くがこの上に構築されています。直接扱う場合は、上位のラッパーが隠しているビルドフラグやハードウェア固有の事情に向き合うことになります。

LlamaIndexRAG / 検索拡張

多くのフレームワークがエージェントのループから出発するのに対し、これはデータから出発します。取り込み、インデックス戦略、そして回答が実際に根拠を持つかどうかを決める検索パターンを中心に据えています。問題の難所が推論ではなくコーパス側にある場合に選ぶ価値があります。

MCP Reference Serversプロトコル

Model Context Protocolを理解する最も確実な方法は、正しく実装されたサーバーを読むことであり、この集合がそれにあたります。実用的なコネクタとしても、自作する際に写経する雛形としても機能します。

Mem0メモリ / コンテキスト

会話から永続的な事実を抽出し、次回以降の実行で関連するものだけを取り出します。肥大化する会話履歴をそのままコンテキストに流し込む方式を避けられるのが利点です。セッションをまたいでユーザーを記憶させたい用途に向きます。何を保存するかはモデルの判断に委ねられるため、自分のデータで抽出品質を検証してから本番投入することを勧めます。

MilvusベクトルDB

ストレージと計算を分離し、インデックス構築とクエリを独立にスケールさせる設計です。数十億ベクトル規模で必要になるアーキテクチャがここにあります。その能力は運用負荷と引き換えであり、数百万ベクトル未満の規模ではより単純な選択肢のほうが適しています。

Model Context Protocolプロトコル

MCPのクライアントとサーバーが準拠を測られる対象で、TypeScriptで定義したスキーマとそのJSON Schema版、そして適合実装が満たすべき要件を記した文章から成ります。2025年12月にAnthropicがLinux Foundation傘下のAgentic AI Foundationへ寄贈しており、ライセンスは移行の途中です。新規のコードと仕様本文はApache-2.0、ドキュメントはCC-BY-4.0、再ライセンスに同意していない寄稿分はMITのまま残っています。SDKの挙動が腑に落ちないときに読む場所であって、これ自体は依存関係ではなく文書のため、実装には各言語のSDKが別途必要です。

n8nワークフロー

数百のサービスをビジュアルキャンバス上で連携させるツールで、近年はそのフロー内にLLMエージェントを組み込む用途が増えています。最初に確認すべきはライセンスです。OSI承認のオープンソースではなく、Sustainable Use Licenseによるソース公開型にあたります。社内利用やセルフホストは可能ですが、ホスティングサービスとして再販することは認められていません。

numbatガードレール

デスクトップ・CLI・IDE・ゲートウェイの各エージェントの動きをhookやplugin、OTLP/HTTPのログエクスポータ経由で取り込み、単一のイベントモデルへ正規化したうえでローカルのCELルールで評価し、events・findings・enforcement決定をバージョン付きNDJSONとして書き出します。`numbat scan`はディスク上のセッション成果物を読むため、事前に計装していなかった過去の作業も後から再構成できます。一方で遮断は保守的な設計で、enforceモードは既定で無効、同梱ルールはすべて監視専用なので、実際に止めるにはルールYAMLを運用側のディレクトリへ複製し、idを保ったままenforce: trueを追加してversionを上げる手順が必要です。観測できる範囲はエージェントとサーフェスごとにcoverage matrixで決まり、永続化されなかった活動は後から復元できず、findingsは実行された事実の証明ではなくルールの一致にすぎません。網羅的な記録や確定的な事実認定を期待する用途には向きません。

Ollamaモデルサービング

モデルのダウンロード、量子化、OpenAI互換サーバーの提供までを引き受け、ローカルモデルをコマンド1つの距離に置きます。ローカル推論を前提とした開発の出発点として妥当な選択です。ただし多数の同時ユーザーへの配信では、スループット重視のサーバーのほうが明確に有利です。

OpenAI Agents SDKフレームワーク

エージェント、ハンドオフ、ガードレール、トレーシングという少数のプリミティブのみで構成されています。この表面積の小ささが利点で、学習することも、抗うことも少なくて済みます。OpenAI自身のモデルを第一に想定した設計のため、複数プロバイダ間の可搬性が重要な場合はその点を考慮してください。

openclawツール連携

`openclaw onboard --install-daemon`で手元のマシンにGatewayを常駐させると、セッション、ツール、イベント、チャネル接続がそこへ集約され、Control UI、CLI、TUI、接続済みのメッセージングチャネルが同じアシスタントを共有します。モデルはホスト型でもローカルでも構成でき、機能追加は本体の改造ではなくplugin SDKで作るプラグインを前提としています。一方で想定利用者は単独のオペレーターで、メインセッションのツールはサンドボックスを明示的に設定しない限りホスト上でそのまま実行され、DM可能なチャネルでは受信メッセージを未信頼の入力として扱う前提になっています。他のユーザーを参加させたりGatewayを外部へ公開したりする構成は、README自体がsecurityとsandboxingのガイドを先に読むよう促している領域であり、チームでの共有運用を第一に考えるなら選択肢から外れます。

OpenHandsコーディングエージェント

隔離されたコンテナ内でファイル編集・テスト実行・ドキュメント参照を行うため、実行が失敗してもホスト環境を壊しません。SWE-bench系のベンチマークでは上位の成績を出していますが、実際のリポジトリに向ける前にコスト試算を勧めます。長時間の自律実行はトークン消費が大きく、生成結果はマージ前に人間のレビューが前提になります。

Phoenix可観測性

OpenTelemetryベースのため、トレースが特定ベンダーに固定されず可搬です。デバッグ中のコードの隣でローカル実行できます。ライセンスはElastic 2.0で、社内利用には問題ありませんが、マネージドサービスとして提供する場合には制約があります。

Pipecat音声エージェント

音声から音声までのループ——文字起こし、モデル、音声合成、割り込み処理——を、差し替え可能なサービスのパイプラインとして組み立てます。正しく作ろうとすると面倒になるのがまさにこの部分です。音声用途ではレイテンシがすべてであり、ターンテイキングと割り込み（バージイン）を後付けではなく一級の要素として扱っています。実運用ではモデル選定以上に、トランスポートとネットワーク構成への配慮が必要になります。

Pydantic AIフレームワーク

Python開発者が既に信頼しているバリデーションモデルをエージェントの出力に適用します。不正な形式のレスポンスは、3層下流ではなく目に見える場所で失敗します。オールインワン型のフレームワークより意図的にスコープを絞っており、それ自体が設計思想です。コードベース全体を型付けしている場合に特によく噛み合います。

QdrantベクトルDB

Rust製で、メタデータによる絞り込みを検索後ではなく検索中に適用する設計です。大規模なコレクションのうち狭い範囲だけをエージェントが検索する場面で、結果の正しさを保てるかどうかがこの違いに現れます。ローカル開発用の単一コンテナから分散クラスタまで、同じ構成で拡張できます。

SGLangモデルサービング

プレフィックスキャッシュは、長く同一のシステムプロンプトを多数の呼び出しが共有するエージェント用途でこそ効きます。レスポンスをスキーマに一致させる制約付きデコーディングにも強みがあります。この領域の主な比較対象はvLLMです。自分のトラフィック特性で双方を計測することを勧めます。

skillsツール連携

Googleが自ら書いた運用知識を100件超のskillディレクトリに収めたリポジトリで、`npx skills add google/skills`から必要なものだけを選んで導入します。中心は`skills/cloud`で、GKEやBigQuery、Agent Platform、Well-Architected Frameworkの6つの柱までを扱い、`skills/ads`と`skills/analytics`にはGoogle Ads API、Google Mobile Ads SDK、IMA SDK、Google Analyticsの2種類のAPI向けのskillが並びます。厚みは一様ではなく、`skills/cloud/gke-*`だけで29件を占める一方、Cloud RunとFirebaseは各1件にとどまり、README自身がactive developmentの段階だと断っています。Google Cloudも広告・アナリティクス製品も使わない構成には得るものがなく、アプリ開発側の守備範囲もGoogle Mobile Ads SDKまでで、Android・Flutter・Dart・Genkit・ADKのskillはREADMEがリンクを張るだけの別リポジトリにあります。

Skyvernコンピュータ操作

画像認識とDOM解析を組み合わせることで、サイトが刷新されてもフローが動き続けます。これは従来のセレクタ依存スクリプトを壊してきた典型的な失敗要因です。ライセンスがAGPLである点に注意してください。ネットワークサービスとして提供する予定がある場合は、実装に着手する前に条項を確認する必要があります。

Stagehandコンピュータ操作

手順が分かっている部分は決定論的なPlaywrightで書き、ページの構造が予測できない箇所だけ自然言語に切り替えられます。この混在方式が現実的な中間解です。完全にAI任せの自動化は遅く不安定であり、完全にスクリプト化した自動化は画面刷新のたびに壊れます。

vLLMモデルサービング

PagedAttentionと継続バッチングにより、素朴な実装よりはるかに多くの同時リクエストを1枚のGPUで捌けます。エージェントは呼び出し回数が多くなりがちなため、この差が効いてきます。OpenAI互換エンドポイントを備えており、多くのエージェントフレームワークはベースURLの変更だけで接続できます。一方でGPUメモリの見積もりやモデルのロード時間など、運用面の作業は相応に発生します。