PraisonAI

PraisonAI 🦞 — 24 時間 365 日稼働する AI ワークフォースを採用しましょう。 定型コードを書くのはやめて、アプリ間で調査、計画、タスク実行を行う、自律的で自己改善するエージェントをリリースしましょう。1 つのエージェントから組織全体まで、5 行のコードでデプロイできます。

curl -fsSL https://praison.ai/install.sh | bash

     

 ██████╗ ██████╗  █████╗ ██╗███████╗ ██████╗ ███╗   ██╗     █████╗ ██╗
 ██╔══██╗██╔══██╗██╔══██╗██║██╔════╝██╔═══██╗████╗  ██║    ██╔══██╗██║
 ██████╔╝██████╔╝███████║██║███████╗██║   ██║██╔██╗ ██║    ███████║██║
 ██╔═══╝ ██╔══██╗██╔══██║██║╚════██║██║   ██║██║╚██╗██║    ██╔══██║██║
 ██║     ██║  ██║██║  ██║██║███████║╚██████╔╝██║ ╚████║    ██║  ██║██║
 ╚═╝     ╚═╝  ╚═╝╚═╝  ╚═╝╚═╝╚══════╝ ╚═════╝ ╚═╝  ╚═══╝    ╚═╝  ╚═╝╚═╝

 pip install praisonai

🎯 ユースケース

さまざまな業界の現実世界の課題を解決する AI エージェント：

🚀 最初のエージェントを動かす（1 分以内）

1. 軽量なコア SDK をインストールします：

pip install praisonaiagents
export OPENAI_API_KEY="your-api-key"

2. 最初の自律エージェントを実行します：

from praisonaiagents import Agent

# Give your agent a goal, and watch it work.
agent = Agent(instructions="You are a senior data analyst.")
agent.start("Analyze the top 3 tech trends of 2026 and format as a markdown table.")

🧬 5 層エージェントスタック

ほとんどのフレームワークは 1 つか 2 つの層を提供するだけで、残りは自分で実装するよう委ねます。PraisonAI は5 つすべてに加えて、エージェントが実際にどこで実行されるかを決める外側の層もカバーします。

各層は、その内側の層を包みます。エージェントの動作がおかしいときは、その層が調査すべき場所を教えてくれます。

┌─────────────────────────────────────────────────────────────────┐
│ ⬡ MANAGED AGENTS — Where does it actually run?                  │
│ ┌─────────────────────────────────────────────────────────────┐ │
│ │ 5 · GRAPH — Who runs when, and who checks whom?             │ │
│ │ ┌─────────────────────────────────────────────────────────┐ │ │
│ │ │ 4 · LOOP — When do we stop?                             │ │ │
│ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │
│ │ │ │ 3 · HARNESS — Can it act, and be checked?           │ │ │ │
│ │ │ │ ┌─────────────────────────────────────────────────┐ │ │ │ │
│ │ │ │ │ 2 · CONTEXT — Is the right thing in the window? │ │ │ │ │
│ │ │ │ │ ┌─────────────────────────────────────────────┐ │ │ │ │ │
│ │ │ │ │ │ 1 · PROMPT — Did I say it clearly?          │ │ │ │ │ │
│ │ │ │ │ └─────────────────────────────────────────────┘ │ │ │ │ │
│ │ │ │ └─────────────────────────────────────────────────┘ │ │ │ │
│ │ │ └─────────────────────────────────────────────────────┘ │ │ │
│ │ └─────────────────────────────────────────────────────────┘ │ │
│ └─────────────────────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────────────────┘

レイヤー 1 · プロンプト — 明確に伝えましたか？

役割、指示、例、出力形式です。

from praisonaiagents import Agent

agent = Agent(
    role="Senior Data Analyst",
    goal="Turn raw numbers into decisions",
    output="verbose",              # markdown-formatted output
)
agent.start("Summarise Q3 revenue trends")

レイヤー 2 · コンテキスト — ウィンドウに適切な情報がありますか？

書き込み、選択、圧縮、分離という 4 つのコンテキスト操作を、それぞれ 1 つのパラメーターで行います。

from praisonaiagents import Agent

agent = Agent(
    instructions="You are a support engineer.",
    memory={"user_id": "u-42"},    # write    — persists across runs (needs a user_id)
    knowledge=["docs/"],           # select   — retrieves only what's relevant
    context="summarize",           # compress — auto-compacts before the limit
)

分離は handoffs=[specialist] です。サブエージェントが引き継ぐのは直近の数件のメッセージとツールの共通部分であり、会話履歴全体ではありません。📖 引き継ぎ

レイヤー 3 · ハーネス — 行動し、その結果を検証できますか？

エージェント = モデル + ハーネス。 ツールのディスパッチに加え、行動前に導くガイドと、行動後に観察するセンサーです。

from praisonaiagents import Agent, MCP, tool

@tool
def deploy(env: str) -> str:
    """Deploy the current build to an environment."""
    return f"Deployed to {env}"

agent = Agent(
    name="ReleaseEngineer",
    instructions="You are a release engineer.",
    tools=[deploy, MCP("npx -y @modelcontextprotocol/server-filesystem /tmp")],
    approval=True,                 # guide — human gate before risky tools run
)
agent.start("Deploy to staging, then list the files you can read")

レイヤー 4 · ループ — いつ停止しますか？

反復回数の上限、予算の上限、進捗なしの検出、完了チェックなど、すべての停止条件が明示されています。

from praisonaiagents import Agent, ExecutionConfig

agent = Agent(
    instructions="Fix the failing tests.",
    execution=ExecutionConfig(max_iter=30, max_budget=0.50, on_budget_exceeded="stop"),
    autonomy=True,                 # required to drive the loop with run_autonomous()
)
result = agent.run_autonomous("Refactor the auth module", max_iterations=5)

print(result.completion_reason)
# goal | no_tool_calls | max_iterations | timeout | doom_loop | needs_help | error
# (with on_budget_exceeded="stop", hitting the cap raises BudgetExceededError,
#  surfaced here as completion_reason="error")

無限ループ検出はデフォルトで有効です。 同じツール呼び出しの繰り返しや A→B→A→B の振動を検出します。一方、出力が変化し続けるポーラーは検出されません。📖 無限ループ検出

レイヤー 5 · グラフ — 誰がいつ実行し、誰が誰をチェックしますか？

バージョン管理可能な成果物としてのトポロジーです。プロンプトの連鎖、ルーティング、並列化、オーケストレーターとワーカーを扱います。

from praisonaiagents import AgentFlow
from praisonaiagents.workflows import route, parallel, repeat

flow = AgentFlow(steps=[
    classifier,
    route({"bug": [bug_agent], "feature": [feature_agent], "default": [triage]}),
    parallel([reviewer, tester]),                      # fan out, join automatically
    repeat(editor, until=lambda ctx: "approved" in ctx.previous_result.lower(),
           max_iterations=3),                          # evaluator–optimizer
])
flow.run("Ticket #123: login fails on Safari")

同じグラフは、Python をまったく使わずに YAML でも表現できます。📖 AgentFlow

⬡ スタックの外側：マネージドエージェント — 実際にはどこで実行されるのか？

ハーネスはコモディティ化しつつあります。次の成長の鍵は、エージェントをどこで実行するかです。ノート PC の CPU を使い切る代わりに、エージェントに短時間だけ使えるクラウドサンドボックスを割り当てましょう。リポジトリ、ツール、テストはそこで実行されます。

pip install praisonai

最も簡単な方法は tools_run_on= です。チーム全体またはワークフロー全体で1つのサンドボックスを共有するため、ステップ1で書き込んだファイルをステップ2で利用できます。思考処理はローカルマシン上で行われます。

from praisonaiagents import Agent, AgentFlow

writer = Agent(name="Writer", instructions="You write files.")
reader = Agent(name="Reader", instructions="You read files.")

flow = AgentFlow(tools_run_on="docker", steps=[writer, reader])  # or e2b | modal | daytona | flyio
flow.run("Write 'hello' to /workspace/note.txt, then read it back")

Python をまったく使わない場合も同じです。

name: remote-demo
tools_run_on: docker      # every step shares one sandbox
agents:
  writer: {role: Writer, goal: Write files}
  reader: {role: Reader, goal: Read files}
steps:
  - agent: writer
    action: "Write 'hello' to /workspace/note.txt"
  - agent: reader
    action: "Read /workspace/note.txt"

単一のエージェントなら、2つの単語で指定できます。それぞれ、異なる質問に答えます。

from praisonaiagents import Agent

# A. Only the TOOLS move. Thinking stays on your machine.
agent = Agent(name="builder", instructions="You build things.",
              tools_run_on="docker")   # docker | e2b | modal | daytona | flyio
                                       # tenki | sandlock | ssh | novita | subprocess

# B. The WHOLE agent moves — model calls, loop and tools
agent = Agent(name="teacher", instructions="You teach.", run_on="anthropic")  # hosted
agent = Agent(name="builder", instructions="You build.", run_on="docker")     # self-hosted
agent.start("Write a Python script that prints the first 10 primes, then run it")

どのオブジェクトにも実行場所を尋ねれば、教えてくれます。

>>> Agent(name="builder", instructions="x", tools_run_on="docker")
Agent(name='builder', thinks_on='this machine', tools_run_on='a Docker container')

>>> agent.where_does_it_run()
Thinking (the AI model calls) happens on this machine.
Tools run on a Docker container.
Your own tools (check_db) still run on this machine -- only shell, file and
code tools move. They read and write this machine's files.

目的を果たせない場所を指定した場合は、好みではなく入力ミスなので、その旨が示されます。

>>> Agent(name="x", instructions="i", run_on="e2b")
TypeError: Agent(run_on='e2b') is not valid: run_on= places the whole agent
-- model calls, loop and tools -- on a managed runtime, and 'e2b' runs
commands but cannot host an agent loop.
  To run only the tools there:  Agent(tools_run_on='e2b')

コードブロックを1つだけ別の場所で実行するには、その呼び出しで場所を指定します。

agent.execute_code_sync("print(6 * 7)", run_in="sandlock")   # kernel-enforced

実行中のものを確認して、不要なものを停止しましょう。

praisonai managed ps          # list running sandboxes
praisonai managed stop --all  # reclaim them

サンドボックスはアイドル状態になると自動的にシャットダウンします（auto_shutdown、idle_timeout_s）。セットアップ後のスナップショットが再利用されるため、次回の実行ではイメージの取得と依存関係のインストールが省略されます。.praisonai/environment.yaml をコミットすれば、環境をリポジトリと一緒に持ち運べます。

📖 実行可能な20の例 · praisonai managed sessions list <agent-id> または praisonai managed sessions resume <session-id> "<prompt>" でセッションを管理できます

_{スタックの構成は、The Five-Layer Agent Stack と Agent Harnesses vs Orbs を参考にしています。}

🌌 PraisonAI エコシステム

コア SDK から始めて、準備ができたら、ビジュアルビルダーやダッシュボードに機能を拡張できます。

• コア SDK（praisonaiagents）：純粋な Python 開発向けです。pip install praisonaiagents
• 💻 PraisonAI CLI（praisonai）：ターミナルで開発する方向けです。pip install praisonai
• 🦞 Claw ダッシュボード：エージェントを Telegram、Slack、Discord に直接接続できます。pip install "praisonai[claw]"
• 🔗 Flow ビジュアルビルダー：ドラッグ＆ドロップでワークフローを作成できます。pip install "praisonai[flow]"
• 🤖 PraisonAI UI：シンプルなチャットインターフェースです。pip install "praisonai[ui]"

JavaScript SDK

npm install praisonai

🧠 対応プロバイダーと機能

100以上の LLM（OpenAI、Anthropic、Gemini、ローカルモデル）を利用できます。

「Grok 3 カスタマーサポート」 — Elon Musk が PraisonAI のチュートリアルを引用

🌟 PraisonAI を選ぶ理由

📘 Python コードの使用

結果がバグなのか、モデルのランダム性によるものなのか分からない場合は、stream、メモリの事前取得、構造化出力、チーム、AG-UI について記載された SDK 動作マトリックスを確認してください。

1. 単一エージェント

from praisonaiagents import Agent
agent = Agent(instructions="You are a helpful AI assistant")
agent.start("Write a movie script about a robot in Mars")

2. 複数エージェント

from praisonaiagents import Agent, Agents

research_agent = Agent(instructions="Research about AI")
summarise_agent = Agent(instructions="Summarise research agent's findings")
agents = Agents(agents=[research_agent, summarise_agent])
agents.start()

3. MCP（Model Context Protocol）

from praisonaiagents import Agent, MCP

# stdio - Local NPX/Python servers
agent = Agent(tools=MCP("npx @modelcontextprotocol/server-memory"))

# Streamable HTTP - Production servers
agent = Agent(tools=MCP("https://api.example.com/mcp"))

# WebSocket - Real-time bidirectional
agent = Agent(tools=MCP("wss://api.example.com/mcp", auth_token="token"))

# With environment variables
agent = Agent(
    tools=MCP(
        command="npx",
        args=["-y", "@modelcontextprotocol/server-brave-search"],
        env={"BRAVE_API_KEY": "your-key"}
    )
)

📖 MCP の全ドキュメント — stdio、HTTP、WebSocket、SSE トランスポート

4. カスタムツール

from praisonaiagents import Agent, tool

@tool
def search(query: str) -> str:
    """Search the web for information."""
    return f"Results for: {query}"

@tool
def calculate(expression: str) -> float:
    """Safely evaluate a numeric arithmetic expression."""
    import ast
    import operator
    
    # Define allowed operations
    _OPS = {
        ast.Add: operator.add,
        ast.Sub: operator.sub,
        ast.Mult: operator.mul,
        ast.Div: operator.truediv,
        ast.Pow: operator.pow,
        ast.USub: operator.neg,
        ast.UAdd: operator.pos,
    }
    
    def _safe_eval(node):
        if isinstance(node, ast.Constant) and isinstance(node.value, (int, float)):
            return node.value
        elif isinstance(node, ast.BinOp) and type(node.op) in _OPS:
            return _OPS[type(node.op)](_safe_eval(node.left), _safe_eval(node.right))
        elif isinstance(node, ast.UnaryOp) and type(node.op) in _OPS:
            return _OPS[type(node.op)](_safe_eval(node.operand))
        else:
            raise ValueError("Unsupported expression")
    
    try:
        return _safe_eval(ast.parse(expression, mode="eval").body)
    except (ValueError, SyntaxError, TypeError, ZeroDivisionError, OverflowError):
        raise ValueError("Invalid arithmetic expression")

agent = Agent(
    instructions="You are a helpful assistant",
    tools=[search, calculate]
)
agent.start("Search for AI news and calculate 15*4")

⚠️ セキュリティに関する注意： LLM が生成した入力やユーザーが提供した入力を処理するツール関数では、eval()、exec()、subprocess を絶対に使用しないでください。コードインジェクション攻撃を防ぐため、必ず入力を検証し、サニタイズしてください。 📖 ツールの全ドキュメント — BaseTool、ツールパッケージ、100 種類以上の組み込みツール

5. 永続化（データベース）

from praisonaiagents import Agent, db

agent = Agent(
    name="Assistant",
    memory={
        "db": db(database_url="postgresql://localhost/mydb"),
        "session_id": "my-session",
    },
)
agent.chat("Hello!")  # Auto-persists messages, runs, traces

📖 永続化の全ドキュメント — PostgreSQL、MySQL、SQLite、MongoDB、Redis など、20 種類以上

6. PraisonAI Claw 🦞（ダッシュボード UI）

AI エージェントを Telegram、Discord、Slack、WhatsApp などに、単一のコマンドで接続できます。

pip install "praisonai[claw]"
praisonai claw

必須の環境変数

.env.example を .env にコピーし、以下の変数を設定します。

http://localhost:8082 を開くと、13 個の組み込みページ（Chat、Agents、Memory、Knowledge、Channels、Guardrails、Cron など）を備えたダッシュボードが表示されます。メッセージングチャネルは UI から直接追加できます。

📖 Claw の全ドキュメント — プラットフォームのトークン、CLI オプション、Docker、YAML エージェントモード

7. Langflow 連携 🔗（ビジュアルフロービルダー）

Langflow のコンポーネントを ドラッグ＆ドロップ して、マルチエージェントのワークフローを視覚的に構築できます。

pip install "praisonai[flow]"
praisonai flow

http://localhost:7861 を開き、Agent および Agent Team コンポーネントを使って、順次または並列のワークフローを作成します。Chat Input → Agent Team → Chat Output を接続すると、マルチエージェントのパイプラインをすぐに利用できます。

📖 Flow の全ドキュメント — ビジュアルエージェントの構築、コンポーネントリファレンス、デプロイ

8. PraisonAI UI 🤖（シンプルなチャット）

AI エージェント向けの軽量なチャットインターフェースです。

pip install "praisonai[ui]"
praisonai ui

📄 YAML を使用する（コード不要）

例 1：2 つのエージェントが連携して動作する

agents.yaml を作成します。

framework: praisonai
topic: "Write a blog post about AI"

agents:
  researcher:
    role: Research Analyst
    goal: Research AI trends and gather information
    instructions: "Find accurate information about AI trends"
    
  writer:
    role: Content Writer
    goal: Write engaging blog posts
    instructions: "Write clear, engaging content based on research"

次のコマンドで実行します。

praisonai agents.yaml

エージェントは自動的に順次連携して動作します

例 2：カスタムツールを使うエージェント

同じフォルダー内に次の 2 つのファイルを作成します。

agents.yaml:

framework: praisonai
topic: "Calculate the sum of 25 and 15"

agents:
  calculator_agent:
    role: Calculator
    goal: Perform calculations
    instructions: "Use the add_numbers tool to help with calculations"
    tools:
      - add_numbers

tools.py:

def add_numbers(a: float, b: float) -> float:
    """
    Add two numbers together.
    
    Args:
        a: First number
        b: Second number
    
    Returns:
        The sum of a and b
    """
    return a + b

次のコマンドで実行します。

praisonai agents.yaml

💡 ヒント：

• ツールのリストには、ファイル名ではなく関数名（例：add_numbers）を指定します
• tools.py 内のツールは自動的に検出されます
• 関数の docstring は、AI がその使い方を理解するのに役立ちます

🎯 CLI クイックリファレンス

📖 CLI の全リファレンス

✨ 主な機能

💻 JavaScript コードの使用

npm install praisonai
export OPENAI_API_KEY=xxxxxxxxxxxxxxxxxxxxxx

const { Agent } = require('praisonai');
const agent = new Agent({ instructions: 'You are a helpful AI assistant' });
agent.start('Write a movie script about a robot in Mars');

⚡ パフォーマンス

PraisonAI のフレームワークのオーバーヘッドはマイクロ秒単位です。Agent（ツール1つ、LLM 呼び出しなし）の作成にかかった時間は、2026-10-15 の実行で平均 46 μs でした。そのため、マルチエージェントのワークロードでは、エージェントごとのセットアップ時間はモデルのレイテンシーと比べてごくわずかです。

手法、比較、再現方法：benchmarks/BENCHMARK_RESULTS.md · ドキュメント

⭐ スター履歴

* export TAVILY_API_KEY=xxxxx

🔍 Langfuse トレーシング

pip install "praisonai[langfuse]"
praisonai langfuse

🎓 動画チュートリアル

充実した動画シリーズで PraisonAI について学びましょう。

22 本の動画チュートリアルをすべて表示

トピック	動画
自己反省機能を備えた AI エージェント
推論データ生成エージェント
推論機能を備えた AI エージェント
マルチモーダル AI エージェント
AI エージェントのワークフロー
非同期 AI エージェント
ミニ AI エージェント
メモリ機能を備えた AI エージェント
反復エージェント
はじめに
ツールの概要
カスタムツール
Firecrawl の統合
ユーザーインターフェース
Crawl4AI の統合
チャットインターフェース
コードインターフェース
Mem0 の統合
トレーニング
リアルタイム音声インターフェース
通話インターフェース
推論抽出エージェント

👥 貢献

皆さまからの貢献を歓迎します！リポジトリをフォークし、ブランチを作成して、PR を送信してください → 貢献ガイド。

❓ FAQ とトラブルシューティング

pip install praisonaiagents

export OPENAI_API_KEY=your_key_here

# Start Ollama and pull a model
ollama serve
ollama pull llama3.2

from praisonaiagents import Agent

agent = Agent(instructions="You are a helpful assistant", llm="ollama/llama3.2")
agent.start("Why is the sky blue?")

export OPENAI_MODEL_NAME=ollama/llama3.2

agent = Agent(instructions="...", llm="ollama/llama3.2", base_url="http://192.168.1.10:11434")

from praisonaiagents import Agent, db

agent = Agent(
    name="Assistant",
    memory={
        "db": db(database_url="postgresql://localhost/mydb"),
        "session_id": "my-session",
    },
)

from praisonaiagents import Agent

agent = Agent(
    name="Assistant",
    # Enables file-based memory (no extra deps!)
    memory={"user_id": "user123"},
)

from praisonaiagents import Agent, Agents

agent1 = Agent(instructions="Research topics")
agent2 = Agent(instructions="Summarize findings")
agents = Agents(agents=[agent1, agent2])
agents.start()

from praisonaiagents import Agent, MCP

agent = Agent(
    tools=MCP("npx @modelcontextprotocol/server-memory")
)

ヘルプを受ける

• 📚 ドキュメント全文
• 🐛 問題を報告
• 💬 ディスカッション