AutoAgents

Rustによる本番運用向けマルチエージェントフレームワーク

English | 中文 | 日本語 | Español | Français | Deutsch | 한국어 | Português (Brasil)
_{この翻訳はコミュニティにより保守され、英語版より遅れる可能性があります。差異がある場合は英語版が正です。}

ドキュメント | 例 | コントリビュート

このプロジェクトが気に入りましたか？ GitHubでスターを付けてください

概要

AutoAgents は、Rust で知的システムを構築するためのモジュール型マルチエージェントフレームワークです。型安全なエージェントモデル、構造化されたツール呼び出し、構成可能なメモリ、差し替え可能な LLM バックエンドを統合しています。アーキテクチャは性能・安全性・合成可能性を重視し、サーバーとエッジの両方を対象に設計されています。

主な機能

エージェント実行：ReAct と基本エグゼキュータ、ストリーミング応答、構造化出力
ツール：ツールと出力の派生マクロ、ツール実行のためのサンドボックス化 WASM ランタイム
メモリ：スライディングウィンドウメモリと拡張可能なバックエンド
LLM プロバイダー：統一インターフェースによるクラウドとローカルのバックエンド
LLM 最適化：キャッシュやリトライなどの最適化パスを備えた LLM パイプラインを構築し、推論の速度と信頼性を向上
マルチエージェント編成：型付き pub/sub 通信と環境管理
音声処理：ローカル TTS と STT サポート
可観測性：OpenTelemetry のトレースとメトリクス、プラガブルなエクスポーター

対応 LLM プロバイダー

クラウドプロバイダー

プロバイダー	状態
OpenAI	✅
OpenRouter	✅
Anthropic	✅
DeepSeek	✅
xAI	✅
Phind	✅
Groq	✅
Google	✅
Azure OpenAI	✅
MiniMax	✅

ローカルプロバイダー

プロバイダー	状態
Ollama	✅
Mistral-rs	✅
Llama-Cpp	✅

実験的プロバイダー

詳細: https://github.com/liquidos-ai/AutoAgents-Experimental-Backends

プロバイダー	状態
Burn	⚠️ 実験的
Onnx	⚠️ 実験的

プロバイダーの対応はコミュニティの要望に応じて拡張中です。

ベンチマーク

詳細は GitHub を参照してください。

インストール

前提条件

Rust（最新安定版推奨）
Cargo パッケージマネージャ
LeftHook（Git hooks 管理）

Prerequisite

sudo apt update
sudo apt install build-essential libasound2-dev alsa-utils pkg-config libssl-dev -y

LeftHook のインストール

macOS（Homebrew）：

brew install lefthook

Linux/Windows（npm）：

npm install -g lefthook

クローンとビルド

git clone https://github.com/liquidos-ai/AutoAgents.git
cd AutoAgents
lefthook install
cargo build --workspace --all-features

Python バインディング

AutoAgents は Python バインディングを個別パッケージとして提供します：

autoagents-py（コア Python API + クラウドバックエンド）
autoagents-guardrails-py（Python LLMProvider 向けのオプション Guardrails）
autoagents-llamacpp-py（任意のローカル llama.cpp バックエンド）
autoagents-mistral-rs-py（任意のローカル mistral-rs バックエンド）

このリポジトリからの開発用インストール：

uv venv --python=3.12
source .venv/bin/activate          # Windows: .venv\Scripts\activate
uv pip install -U pip maturin pytest pytest-asyncio pytest-cov

# CPU バインディングをクリーン、ビルド、インストール
make python-bindings-build

# CPU + CUDA バインディングをクリーン、ビルド、インストール
make python-bindings-build-cuda

Make ターゲットは再ビルド前に古い editable-install アーティファクトを削除するため、ソースツリー内の古い .abi3.so が読み込まれるのを防げます。

サンプルスクリプト：

コアクラウド例：bindings/python/autoagents/examples/openai_agent.py
llama.cpp 例：bindings/python/autoagents-llamacpp/examples/llamacpp_agent.py
mistral-rs 例：bindings/python/autoagents-mistralrs/examples/mistral_rs_agent.py

テストの実行

cargo test --features "full" --workspace

クイックスタート

use autoagents::core::agent::memory::SlidingWindowMemory;
use autoagents::core::agent::prebuilt::executor::{ReActAgent, ReActAgentOutput};
use autoagents::core::agent::task::Task;
use autoagents::core::agent::{AgentBuilder, AgentDeriveT, AgentOutputT, DirectAgent};
use autoagents::core::error::Error;
use autoagents::core::tool::{ToolCallError, ToolInputT, ToolRuntime, ToolT};
use autoagents::llm::LLMProvider;
use autoagents::llm::backends::openai::OpenAI;
use autoagents::llm::builder::LLMBuilder;
use autoagents_derive::{agent, tool, AgentHooks, AgentOutput, ToolInput};
use serde::{Deserialize, Serialize};
use serde_json::Value;
use std::sync::Arc;

#[derive(Serialize, Deserialize, ToolInput, Debug)]
pub struct AdditionArgs {
    #[input(description = "Left Operand for addition")]
    left: i64,
    #[input(description = "Right Operand for addition")]
    right: i64,
}

#[tool(
    name = "Addition",
    description = "Use this tool to Add two numbers",
    input = AdditionArgs,
)]
struct Addition {}

#[async_trait]
impl ToolRuntime for Addition {
    async fn execute(&self, args: Value) -> Result<Value, ToolCallError> {
        println!("execute tool: {:?}", args);
        let typed_args: AdditionArgs = serde_json::from_value(args)?;
        let result = typed_args.left + typed_args.right;
        Ok(result.into())
    }
}

#[derive(Debug, Serialize, Deserialize, AgentOutput)]
pub struct MathAgentOutput {
    #[output(description = "The addition result")]
    value: i64,
    #[output(description = "Explanation of the logic")]
    explanation: String,
    #[output(description = "If user asks other than math questions, use this to answer them.")]
    generic: Option<String>,
}

#[agent(
    name = "math_agent",
    description = "You are a Math agent",
    tools = [Addition],
    output = MathAgentOutput,
)]
#[derive(Default, Clone, AgentHooks)]
pub struct MathAgent {}

impl From<ReActAgentOutput> for MathAgentOutput {
    fn from(output: ReActAgentOutput) -> Self {
        let resp = output.response;
        if output.done && !resp.trim().is_empty() {
            if let Ok(value) = serde_json::from_str::<MathAgentOutput>(&resp) {
                return value;
            }
        }
        MathAgentOutput {
            value: 0,
            explanation: resp,
            generic: None,
        }
    }
}

pub async fn simple_agent(llm: Arc<dyn LLMProvider>) -> Result<(), Error> {
    let sliding_window_memory = Box::new(SlidingWindowMemory::new(10));

    let agent_handle = AgentBuilder::<_, DirectAgent>::new(ReActAgent::new(MathAgent {}))
        .llm(llm)
        .memory(sliding_window_memory)
        .build()
        .await?;

    let result = agent_handle.agent.run(Task::new("What is 1 + 1?")).await?;
    println!("Result: {:?}", result);
    Ok(())
}

#[tokio::main]
async fn main() -> Result<(), Error> {
    let api_key = std::env::var("OPENAI_API_KEY").unwrap_or("".into());

    let llm: Arc<OpenAI> = LLMBuilder::<OpenAI>::new()
        .api_key(api_key)
        .model("gpt-4o")
        .max_tokens(512)
        .temperature(0.2)
        .build()
        .expect("Failed to build LLM");

    let _ = simple_agent(llm).await?;
    Ok(())
}

AutoAgents CLI

AutoAgents CLI は YAML 設定からエージェントワークフローを実行し、HTTP で提供します。詳細は https://github.com/liquidos-ai/AutoAgents-CLI を参照してください。

例

すぐに始めるための例：

基本

ツール付きのシンプルなエージェント、非常に基本的なエージェント、エッジエージェント、チェーン、Actor ベースモデル、ストリーミング、Agent Hooks の追加などを示します。

LLM パイプライン

キャッシュやリトライなどの最適化パスを備えた LLM パイプラインを示し、性能と信頼性の向上を実演します。

ガードレール

パイプラインの LLMLayer を使い、Block・Sanitize・Audit ポリシーで入力/出力ガードレールを設定する方法を示します。

MCP 連携

AutoAgents を Model Context Protocol (MCP) と統合する方法を示します。

ローカルモデル

ローカルモデル向けに Mistral-rs と AutoAgents を統合する方法を示します。

デザインパターン

チェーン、プランニング、ルーティング、並列、リフレクションの各パターンを示します。

プロバイダー

さまざまな LLM プロバイダーの利用例です。

WASM ツール実行

WASM ランタイムでツールを実行できるシンプルなエージェントです。

コーディングエージェント

ファイル操作機能を備えた ReAct ベースの高度なコーディングエージェントです。

音声

リアルタイムの TTS と STT を用いた AutoAgents 音声例です。

Android ローカルエージェント

AutoAgents-llamacpp バックエンドを使って Android 上でローカルモデルを動かす例です。

コンポーネント

AutoAgents はモジュール化アーキテクチャで構築されています：

AutoAgents/
├── crates/
│   ├── autoagents/                # Main library entry point
│   ├── autoagents-core/           # Core agent framework
│   ├── autoagents-protocol/       # Shared protocol/event types
│   ├── autoagents-llm/            # LLM provider implementations
│   ├── autoagents-telemetry/      # OpenTelemetry integration
│   ├── autoagents-toolkit/        # Collection of ready-to-use tools
│   ├── autoagents-mistral-rs/     # LLM provider implementations using Mistral-rs
│   ├── autoagents-llamacpp/       # LLM provider implementation using LlamaCpp
│   ├── autoagents-speech/         # Speech model support for TTS and STT
│   ├── autoagents-guardrails/     # LLM Guardrails implementation
│   ├── autoagents-qdrant/         # Qdrant vector store
│   └── autoagents-derive/         # Procedural macros
├── examples/                      # Example implementations
├── bindings/                      # Bindings for different languages

コアコンポーネント

エージェント：知能の基本単位
環境：エージェントのライフサイクルと通信を管理
メモリ：構成可能なメモリシステム
ツール：外部機能の統合
エグゼキュータ：推論パターン（ReAct、Chain-of-Thought）

開発

テストの実行

cargo test --workspace --features default --exclude autoagents-burn --exclude autoagents-mistral-rs --exclude wasm_agent

# Coverage (requires cargo-tarpaulin)
cargo install cargo-tarpaulin
cargo tarpaulin --all-features --out html

ベンチマークの実行

cargo bench -p autoagents-core --bench agent_runtime

Git Hooks

本プロジェクトは LeftHook による Git hooks 管理を利用しています。フックは自動的に次を実行します：

cargo fmt --check でコードを整形
cargo clippy -- -D warnings で静的解析
cargo test --all-features --workspace --exclude autoagents-burn でテスト実行

コントリビュート

コントリビュートを歓迎します。詳細はコントリビュートガイドと行動規範をご覧ください。

ドキュメント

API ドキュメント：フレームワークの完全なドキュメント
例：実用的な実装例

コミュニティ

GitHub Issues：バグ報告と機能要望
Discussions：コミュニティ Q&A とアイデア
Discord：Discord コミュニティに参加 https://discord.gg/zfAF9MkEtK

パフォーマンス

AutoAgents は高性能を目指して設計されています：

メモリ効率：構成可能なバックエンドによる最適化
並行性：tokio による async/await 完全対応
スケーラブル：マルチエージェント協調による水平スケール
型安全：Rust の型システムによるコンパイル時保証

ライセンス

AutoAgents はデュアルライセンスです：

MIT License（MIT_LICENSE）
Apache License 2.0（APACHE_LICENSE）

利用用途に合わせていずれかを選択できます。

謝辞

Liquidos AI チームと、素晴らしい研究者・エンジニアコミュニティによって構築されています。

特別な感謝：

素晴らしいエコシステムを提供する Rust コミュニティ
高品質なモデル API を提供する LLM プロバイダー
AutoAgents を改善してくれる全ての貢献者

FilesExpand file tree

README.ja.md

Latest commit

History

README.ja.md

File metadata and controls

AutoAgents

概要

主な機能

対応 LLM プロバイダー

クラウドプロバイダー

ローカルプロバイダー

実験的プロバイダー

ベンチマーク

インストール

前提条件

Prerequisite

LeftHook のインストール

クローンとビルド

Python バインディング

テストの実行

クイックスタート

AutoAgents CLI

例

コンポーネント

コアコンポーネント

開発

テストの実行

ベンチマークの実行

Git Hooks

コントリビュート

ドキュメント

コミュニティ

パフォーマンス

ライセンス

謝辞

スター履歴