agentic-research

agentic-research-engine-oss

ノート PC で動作する、最高の 0 ドルのリサーチエージェントです。 エンドツーエンドでオープンソースであり、再現可能で、プライバシーを保護します。デフォルトではクラウドに依存せず、テレメトリーもありません。すべての LLM 呼び出し、すべての情報源、すべての検証判断を確認できます。

---

目次

• 概要
• …の代わりにこれを使う理由
• クイックスタート — Mac ローカル環境
• クイックスタート — インストール不要（Google Colab）
• 操作方法は 3 通り
• 同梱内容
• ドメインプリセット
• 独自のドキュメントを追加する
• MCP + Claude プラグイン
• プラグイン／スキルローダー
• アーキテクチャの概要
• リポジトリ構成
• 設定（環境変数）
• テスト
• トラブルシューティング
• 制限事項
• ステータス + ロードマップ
• コントリビューション
• ライセンス

---

概要

回答を自ら検証する、ローカル優先のリサーチエージェントです。 Gemma 3 4B + Ollama で動作し（ディスク上で 3.3 GB）、$0/query で利用できます。環境変数を 1 つ設定するだけで、OpenAI 互換エンドポイントに切り替えられます。

pip install agentic-research-engine
agentic-research ask "what is Anthropic's contextual retrieval?" --domain papers

インターフェース	CLI · Textual TUI · FastAPI ウェブ GUI · MCP サーバー（Claude Desktop / Cursor / Continue）
パイプライン	8 ノードの LangGraph（classify → plan → search → retrieve → fetch → compress → synthesize → verify）。各ノードは環境変数で個別に切り替えてアブレーションできます
検索・取得	SearXNG メタ検索 + trafilatura による取得 + BM25 / dense / RRF のハイブリッド検索。bge-reranker-v2-m3 クロスエンコーダーはオプトイン
推論	HyDE クエリ拡張 · FLARE アクティブ検索 · Chain-of-Verification（Dhuliawala et al 2023）· ThinkPRM ステップ批評
ドメイン	6 種類のプリセット（general · medical · papers · financial · stock_trading · personal_docs）。YAML 10 行で独自のプリセットを作成できます
プラグイン	GitHub またはローカルパスから Claude プラグインや agentskills.io スキルを読み込みます
メモリ	セマンティック検索に対応したローカル SQLite 軌跡ログ（オプトイン）。いつでも消去でき、テレメトリーはありません
プロバイダー	OpenAI · Groq · vLLM · SGLang · Together · Ollama — OPENAI_BASE_URL により、あらゆる OpenAI 互換エンドポイントを利用できます
品質	モックテスト 137 件、ネットワークアクセスなし · 実際のベンチマーク結果を RESULTS.md で公開 · エンドツーエンドで MIT ライセンス

---

…の代わりにこれを使う理由

現在お使いのもの	こちらが提供するもの
Perplexity / ChatGPT Deep Research / Kagi Assistant	引用付きの同じ推論フローを、ローカルで無料で利用できます。データがマシンの外に出ることもありません
セルフホスト版 Perplexica	Perplexica の UX に加え、CoVe 検証機能、FLARE によるアクティブ検索、適応型コンピュートルーター、Claude プラグインのパッケージングを提供します
Khoj	研究に特化した、より強力な推論（個人のナレッジには重点を置いていません）、6 つのドメインプリセット、ほかのエージェントから呼び出せる MCP サーバーを提供します
gpt-researcher	より新しいパイプラインアーキテクチャ、小規模モデルのより優れた処理、可観測なトレース、プラグインエコシステムを提供します
MiroThinker-H1 / OpenResearcher-30B	BrowseComp ではこれらのほうが優れていますが、こちらは GPU のないノートパソコンで動作し、費用は $0 です
独自の LangGraph 研究エージェントの作成	2〜3 か月を節約できます。8 ノードのパイプライン、テスト済みの環境ゲート 30 個以上、137 件のテストを再利用できます

率直な評価： 複雑なマルチホップ推論のベンチマークでは、Gemma 3 4B は 30 B 以上のオープンモデルを 15〜25％下回ります。GPT-5.4 Pro に勝るとは主張しません。2026 年 4 月時点で、$0、ノートパソコンで動作、完全にオープンな研究エージェントとして最高だと主張します。

---

クイックスタート — Mac ローカル

オプション A — PyPI（最速）

# 1) Local inference (Ollama + Gemma 3 4B + embedding model — 3.6 GB combined)
brew install ollama
ollama pull gemma3:4b nomic-embed-text

# 2) Self-hosted meta-search (Docker; optional but recommended)
docker run -d --name searxng -p 8888:8080 searxng/searxng

# 3) The engine itself
pip install agentic-research-engine

# 4) Go
export OPENAI_BASE_URL=http://localhost:11434/v1 OPENAI_API_KEY=ollama
export MODEL_SYNTHESIZER=gemma3:4b EMBED_MODEL=nomic-embed-text
export SEARXNG_URL=http://localhost:8888
agentic-research ask "what is Anthropic's contextual retrieval?" --domain papers

オプション B — ソースから

# 1) Same local-inference prereqs as Option A (ollama pull + docker run)

# 2) Clone + install (gives you the CLI, TUI, Web GUI, MCP server, benchmarks, tutorials)
git clone https://github.com/TheAiSingularity/agentic-research-engine-oss
cd agentic-research-engine-oss
(cd scripts/searxng && docker compose up -d)
cd engine && make install
make smoke    # end-to-end run on the canonical "what is contextual retrieval" question

M シリーズ Mac での予想実行時間：ファクトイドは約 45 秒、マルチホップの統合は約 90 秒です。クエリあたりの費用はゼロです。

より誠実な選択肢 — クラウドモデルモード

Gemma 3 4B は構成（計画、ルーティング、検証、圧縮）は驚くほど得意ですが、SearXNG が適切なトークンを含むソースを提示しない場合、具体的なファクトイドを作り上げてしまいます。2026-04-21 に実施した SimpleQA-mini のライブ実行（engine/benchmarks/RESULTS.md を参照）では、gemma3:4b が 「Anthropic が Contextual Retrieval を公開した年」（正解：2024）に対して「2023」と回答し、「再ランク付けに使用するクロスエンコーダー」（正解：bge-reranker-v2-m3）に対して「LayoutLMv3」と回答しました。

おそらく必要なのは、より賢い統合器ではなく、より誠実な統合器です。同じ検索結果を使った 5 問の直接比較では、証拠が不足している場合、gpt-5-nano + gpt-5-mini は作り上げずに回答を拒否しました（「提示された証拠ではこの質問に答えられません」）。一方、gemma3:4b は自信満々に推測しました。主張ごとの忠実度は 82.9％から 100％に上がりました。合格率はほとんど変わりませんでした（1/5 対 0/5）。真のボトルネックは検索だからです。SearXNG が正解のトークンを含むソースを返さなければ、どちらのモデルも回答できません。

スタック全体をクラウドエンドポイントに切り替えます。

# drop the Ollama base URL (fall back to OpenAI cloud)
unset OPENAI_BASE_URL
export OPENAI_API_KEY=sk-...
# defaults are already cloud-sized: gpt-5-nano for plan/verify, gpt-5-mini for synth.
# Explicit override if you want to pin them:
export MODEL_PLANNER=gpt-5-nano
export MODEL_SYNTHESIZER=gpt-5-mini        # or gpt-5, claude-sonnet-4-5, etc.
agentic-research ask "…" --domain papers

コストの大部分は統合器のトークン（クエリあたり約 5〜15 k）が占めます。gpt-5-nano + gpt-5-mini を使うフルクラウドモードでは、研究クエリあたり約 $0.02〜0.05かかり、Gemma のローカル実行より約 2〜3 倍遅くなります（5 問のサブセットでの実測：平均実行時間は 127 秒対 52 秒）。Groq、Together、Mistral、DeepSeek、ローカルの vLLM など、OpenAI 互換のあらゆるエンドポイントで動作するため、安価で高速なモデル（Groq 上の llama-3.3-70b はクエリあたり約 $0.003）も、最先端モデルも選べます。ノードごとのベース URL ルーティング（同じクエリ内で計画・検証には gemma3:4b をローカルで、統合には gpt-5-mini をクラウドで実行）は 0.2 向けに追跡中です。現時点では、パイプライン全体で共通の OPENAI_BASE_URL を使用します。

精度をさらに高める鍵は検索です。 回答を含むインデックス済みコーパスを LOCAL_CORPUS_PATH に指定すれば、どちらのモデルでも正しく回答できます。

---

クイックスタート — インストール不要（Google Colab）

実行可能なノートブックがtutorials/に5つあります。

1. 01 — Engine API クイックスタート（モック、キー不要） — 推論を実行せずにパイプラインの仕組みを確認できます。
2. 02 — Groq クラウド推論（無料枠） — ローカル GPU 不要で、実際の LLM を利用できます。
3. 03 — 独自コーパスの構築 — PDF をアップロードしてインデックスを作成し、クエリを実行します。
4. 04 — Python から MCP サーバーを構築 — 別のエージェントからツールとしてエンジンを操作します。
5. 05 — ドメインプリセットの紹介 — 同じ質問でプリセットを比較します。

各ノートブックは単独で完結しており、クレジットカード不要で Colab の無料枠でエンドツーエンドに実行できます。

---

操作方法は3通り

CLI

engine ask "what is hybrid retrieval?" --domain papers --memory session
engine reset-memory
engine domains list
engine version

TUI（Textual — キーボード操作、SSH 対応）

make tui

3つのペイン：ソース · 回答とハルシネーションのフラグ · トレースとメモリのヒット。 Enterで質問、Ctrl-Mでメモリモードを切り替え、Ctrl-Lで消去、Ctrl-Qで終了します。

Web GUI（localhost:8080上のFastAPI + HTMX）

make gui
# open http://127.0.0.1:8080 in your browser

認証なし。クラウドなし。分析機能なし。ダークテーマ。トークンをその場でストリーミングします。

---

内容

engine/ — 主力機能

2026年時点の最先端の構成を備えた8ノードのLangGraphパイプライン： classify → plan → search → retrieve → fetch_url → compress → synthesize → verify

すべてのステージは環境変数で切り替えられ、1つずつ除外するアブレーションが可能です。組み込まれている手法：HyDE、CoVe検証、反復検索、FLAREアクティブ検索、質問分類ルーター、ステップクリティック（ThinkPRMパターン）、LongLLMLingua-lite圧縮、クロスエンコーダーによる再ランキング（BAAI/bge-reranker-v2-m3）、Anthropicのコンテキスト対応チャンク分割、W6小型モデルの堅牢化（3ケースのsynthesizeプロンプト＋チャンクごとの文字数上限）。

core/rag/ — 再利用可能な検索プリミティブ（v1安定版）

HybridRetriever（BM25 + dense + RRF） · CrossEncoderReranker · contextualize_chunks（Anthropicパターン） · CorpusIndex（独自のPDFを使用）。5つのエクスポートがエンジンとアーカイブ済みレシピで使用されています。

archive/recipes/ — エンジン導入前のリファレンスレシピ

research-assistant、trading-copilot、document-qa、 rust-mcp-search-tool。すべて引き続き動作し、すべてのテストが引き続き通過します。research-assistant/production/main.pyはengine.core.pipelineを呼び出す薄いシムであり、クックブックとしての構成を維持しています。

---

ドメインプリセット

engine/domains/に6つのYAMLファイルがあります。

プリセット	使用する場面
general	デフォルト。あらゆる用途
medical	疾患／治療／薬剤／治験（PubMed／Cochrane／NEJMを重視。処方的な助言はしません）
papers	コンピューターサイエンス／機械学習／物理学／生物学の学術研究（arXiv + Semantic Scholar + OpenReview）
financial	SEC提出書類、決算、企業のファンダメンタルズ（すべての数値に日付を付記）
stock_trading	ティッカーごとのテクニカル分析＋ニュース — 厳守事項：買い／売り／保有を決して推奨しません
personal_docs	エアギャップ環境で独自コーパスに対するQ&A（corpus:// URLのみ許可）

YAMLを約10行書くだけで独自のプリセットを作成できます。詳しくはdocs/domains.mdをご覧ください。

---

独自のドキュメントを使用

python scripts/index_corpus.py build ~/papers --out ~/papers.idx
export LOCAL_CORPUS_PATH=~/papers.idx
engine ask "what do my papers say about contextual retrieval?" --domain personal_docs

対応形式：PDF（pypdf経由）、Markdown、プレーンテキスト、HTML（trafilatura経由）。インデックスは、人が読めるmanifest.jsonとpickle形式のindex.pklを含むディレクトリとして保存されます。ドキュメントを変更したら、いつでも再構築できます。

詳細については、軌跡＋メモリモデルをdocs/self-learning.mdで、外部プラグインをdocs/plugins-skills.mdで説明しています。

---

MCP + Claude plugin

engine/mcp/server.py は、以下を公開する Python 製の MCP サーバーです。

• research(question, domain?, memory?) → 構造化された {answer, verified_claims, unverified_claims, sources, trace, totals, memory_hits}
• reset_memory()
• memory_count()

engine/mcp/claude_plugin/ に Claude プラグインがバンドルされています。4 つのスキル （/research、/cite-sources、/verify-claim、/set-domain）を備え、 Anthropic マーケットプレイスにすぐに申請できます。

Claude Desktop に登録するには：

// ~/Library/Application Support/Claude/claude_desktop_config.json
{
  "mcpServers": {
    "engine": {
      "command": "python",
      "args": ["-m", "engine.mcp.server"],
      "env": {
        "OPENAI_BASE_URL": "http://localhost:11434/v1",
        "OPENAI_API_KEY":  "ollama",
        "MODEL_SYNTHESIZER": "gemma3:4b",
        "SEARXNG_URL":    "http://localhost:8888"
      }
    }
  }
}

---

プラグイン／スキルローダー

サードパーティ製の Claude プラグインまたは Hermes（agentskills.io）スキルをインストールできます。

engine plugins install gh:owner/some-research-plugin@v1
engine plugins install file:./my-local-plugin
engine plugins install https://example.com/marketplace.json
engine plugins list
engine plugins uninstall some-plugin

安全性：インストールのたびに禁止シンボルのスキャン（eval(、exec(、os.system(、…）が実行され、任意のコードを実行するプラグインは拒否されます。レジストリは ~/.agentic-research/plugins/ にあり、すべて確認・消去できます。

詳細なドキュメント： docs/plugins-skills.md。

---

アーキテクチャの概要

                ┌─────────────┐
                │   question  │
                └──────┬──────┘
                       ▼
           ┌─────────────────────────┐   T4.3 router  — route by question type
           │  classify               │
           └──────────┬──────────────┘
                      ▼
           ┌─────────────────────────┐   T1 decompose · T2 HyDE · T4.1 critic
           │  plan                   │   T4.5 refine-on-reject
           └──────────┬──────────────┘
                      ▼
           ┌─────────────────────────┐   SearXNG parallel × N
           │  search                 │   + W5 local corpus (optional)
           │  (+ T4.1 critic)        │   + T4.1 coverage critic
           └──────────┬──────────────┘
                      ▼
           ┌─────────────────────────┐   T1 hybrid BM25 + dense + RRF
           │  retrieve               │   W4.1 cross-encoder rerank (opt-in)
           │  (+ W4.1 rerank)        │
           └──────────┬──────────────┘
                      ▼
           ┌─────────────────────────┐   W4.2 trafilatura clean-text
           │  fetch_url              │   skips corpus:// URLs
           └──────────┬──────────────┘
                      ▼
           ┌─────────────────────────┐   T4.4 LLM distillation
           │  compress               │   + W6.2 per-chunk char cap
           │  (+ W6.2 cap)           │
           └──────────┬──────────────┘
                      ▼
           ┌─────────────────────────┐   T2 synth · T4.2 FLARE on hedges
           │  synthesize             │   W6.1 three-case anti-hallucinate
           │  (+ FLARE + stream)     │   W7 streaming
           └──────────┬──────────────┘
                      ▼
           ┌─────────────────────────┐   T2 CoVe — decompose + verify
           │  verify                 │
           └────────┬────────────────┘
                    │
              verified? ── yes ──▶ END
                    │
                    no
                    │
           ◀────── re-search unverified claims ──── loop (bounded by MAX_ITERATIONS)

すべてのステージには ENABLE_* フラグがあり、個別に除外してアブレーションできます。 詳細な仕様： docs/architecture.md。

---

リポジトリの構成

agentic-research-engine-oss/
├── engine/                        the flagship research engine
│   ├── core/                      pipeline · models · trace · memory
│   │   ├── pipeline.py              · compaction · domains · plugins
│   │   ├── models.py
│   │   ├── trace.py
│   │   ├── memory.py
│   │   ├── compaction.py
│   │   ├── domains.py
│   │   └── plugins.py
│   ├── interfaces/
│   │   ├── cli.py                 rich stdout CLI with subcommands
│   │   ├── tui.py                 Textual TUI
│   │   └── web/                   FastAPI + HTMX localhost GUI
│   ├── mcp/
│   │   ├── server.py              Python FastMCP server
│   │   └── claude_plugin/         submittable Claude plugin bundle
│   ├── domains/                   6 YAML presets
│   ├── examples/                  5 worked research examples
│   ├── benchmarks/                mini SimpleQA + BrowseComp fixtures + runner
│   └── tests/                     pytest suite (all mocked, zero-network)
├── core/rag/                      shared retrieval primitives (stable v1)
├── archive/                       pre-engine recipes (kept for reference)
├── tutorials/                     5 Google Colab notebooks
│   ├── 01_engine_api_quickstart.ipynb
│   ├── 02_groq_cloud_inference.ipynb
│   ├── 03_build_your_own_corpus.ipynb
│   ├── 04_mcp_server_from_python.ipynb
│   └── 05_domain_presets_showcase.ipynb
├── scripts/
│   ├── searxng/                   self-hosted meta-search (docker-compose)
│   ├── setup-local-mac.sh         Ollama + Docker + SearXNG one-liner
│   ├── setup-vm-gpu.sh            Linux + vLLM/SGLang setup
│   └── index_corpus.py            build a CorpusIndex from PDFs/md/txt
├── docs/
│   ├── architecture.md            deep technical spec
│   ├── plugins-skills.md          write + install plugins
│   ├── domains.md                 write a new preset
│   ├── self-learning.md           trajectory logging + memory
│   ├── progress.md                wave-by-wave build log
│   ├── how-it-works.md            elevator pitches + SOTA comparison
│   ├── launch-checklist.md        go-live sequence
│   └── launch-copy.md             drafted HN / Reddit / Twitter copy
├── .github/
│   ├── workflows/
│   │   └── engine-tests.yml       CI: mocked suite on every PR
│   ├── ISSUE_TEMPLATE/
│   └── PULL_REQUEST_TEMPLATE.md
├── CONTRIBUTING.md
├── CHANGELOG.md
├── CODE_OF_CONDUCT.md
├── LICENSE                        MIT
└── README.md                      you're reading it

---

設定（環境変数）

全項目は engine/core/pipeline.py のヘッダーに記載されています。よく使う設定項目：

変数	デフォルト	用途
OPENAI_BASE_URL	未設定（クラウド版 OpenAI）	Ollama／vLLM／Groq などにルーティングします。
OPENAI_API_KEY	ollama	ローカルの場合は識別用の値、クラウドの場合は実際のキーです。
MODEL_SYNTHESIZER	gpt-5-mini（クラウド）または gemma3:4b（Mac ローカルパス）	最終回答モデルです。パイプラインの残りをローカルで実行したまま、ファクトイドの精度を高めるには、gpt-5、claude-sonnet-4-5、Groq の llama-3.3-70b などに切り替えます。
TOP_K_EVIDENCE	自動（小型モデルでは 5、大型モデルでは 8）	検索の予算です。
ENABLE_RERANK	0	オプトインです。初回実行時に bge-reranker-v2-m3（約 560 MB）をダウンロードします。
ENABLE_FETCH	1	trafilatura によるページ全体の取得です。
ENABLE_STREAM	1	合成トークンを標準出力にストリーミングします。
ENABLE_TRACE	1	呼び出しごとの可観測性と、CLI 終了時の概要を有効にします。
LOCAL_CORPUS_PATH	未設定	検索対象にドキュメントを追加するには、インデックスディレクトリを指定します。
MEMORY_DB_PATH	~/.agentic-research/memory.db	SQLite の軌跡ストアです。

全項目： docs/architecture.md の環境変数セクション。

---

テスト

cd engine && make test     # 120+ mocked tests in engine/tests/
# or repo-wide:
PYTHONPATH=$(pwd) .venv/bin/python -m pytest core/rag recipes engine/tests -q

すべてのテストはモックを使用するため、ネットワーク、API キー、モデルのダウンロードは不要です。ライブ統合スモークテストは別途実行します（make smoke）。

CI は engine／core／recipes に関連するすべてのプッシュまたは PR で実行されます。詳細は .github/workflows/engine-tests.yml をご覧ください。

---

トラブルシューティング

症状	考えられる原因	対処方法
ModuleNotFoundError: No module named 'engine'	PYTHONPATH にリポジトリのルートが含まれていない	リポジトリのルートで export PYTHONPATH=$(pwd) を実行します
CLI の回答が空で、すぐに返る	Ollama が起動していない	別のターミナルで ollama serve を実行するか、ollama list で確認します
Connection refused on :8888	SearXNG が起動していない	cd scripts/searxng && docker compose up -d を実行します
Connection refused on :11434	Ollama が起動していない	ollama serve を実行するか、システムサービスが起動するのを待ちます
最初の make smoke で、出力まで約20秒かかる	初回リクエストでモデルをウォームアップしている	正常です。以降のクエリはより速くなります
ENABLE_RERANK=1 の初回実行が止まる	560 MB の bge-reranker をダウンロード中	一度だけ完了するまで待ちます。その後はキャッシュされます
[corpus] LOAD BROKEN	インデックスが破損しているか、バージョンが違う	scripts/index_corpus.py を使って削除し、再構築します
SSH 経由で TUI に文字化けが表示される	ターミナルの幅が狭すぎる	幅を100列以上に変更します。Textual の3ペインレイアウトには十分なスペースが必要です
Web GUI に Invalid memory mode と表示される	POST の形式が不正	フォーム UI を使います。値は off/session/persistent に対して検証されます
ストリーミングが回答の途中で切れる	バックエンドが不安定	再実行します。次の試行ではバッチ処理のフォールバックが有効になります。問題が続く場合は ENABLE_STREAM=0 を設定します
uv pip install <pkg> の後に zsh: command not found: twine（または同様のエラー）が表示される	uv の仮想環境がシェルで自動的に有効化されていない	.venv/bin/<cmd> … または uv run <cmd> … を使うか、実行前に source .venv/bin/activate を実行します
リポジトリのディレクトリを移動または名前変更した後に bad interpreter: .../python3: no such file or directory と表示される	venv のシバンは、venv を作成したディレクトリを参照する絶対パスになっている	作り直します：rm -rf .venv && uv venv && uv pip install -e .（または、インストール済みのものを再インストールします）
make test でテストが0件収集されたと表示される	CWD が間違っている	engine/ ディレクトリから実行するか、PYTHONPATH を設定します
Claude Desktop にプラグインが表示されない	plugin.json のパスが間違っている	/plugin marketplace add <absolute-path-to>/engine/mcp/claude_plugin を実行します

まだ解決しない場合は、bug_report テンプレートを使って issue を作成してください。ollama list、engine version、エラーを含めてください。

---

正直な制限事項

• Gemma 4B ≠ GPT-5.4 Pro です。 難しいマルチホップのタスクでは、30 B 以上のオープンモデルより15〜25 %劣ります。「最高の無料ローカル環境」と位置づけており、「SOTA」とはうたっていません。
• SearXNG が正しいトークンを含むソースを返さない場合、Gemma 3 4B は具体的な事実を作り上げることがあります。 SimpleQA-mini での測定では、厳密な合格率は0/20でした（engine/benchmarks/RESULTS.md を参照 — verified_ratio は85.5 %、must_not_contain への該当はゼロです。モデルは 禁止された 文字列を出力しているのではなく、誤ったものを選んでいます）。緩和策： (a) スタック全体をクラウドエンドポイントに切り替える（上記の「事実の正確性を高める」を参照 — gpt-5-nano + gpt-5-mini で $0.02–0.05/query）、 (b) LOCAL_CORPUS_PATH を指定して、独自のドキュメントを検索対象にする、 (c) ENABLE_RERANK=1 を設定して、正しいソースが検索されるように重み付けする。
• CoVe で確認できるのは内部整合性であり、真実性ではありません。 合成された主張はすべて検索された証拠と照合されますが、主張が 現実世界によって 検証されるわけではありません。検索に失敗すると、CoVe は誤った回答でも自信を持って検証してしまいます。エンジンが引用を捏造することはありませんが、証拠プールに含まれていた誤情報を自信を持って繰り返すことはあります。
• v1 では LoRA によるファインチューニングはありません。 軌跡データは収集されますが、実際のモデル学習は GPU の利用環境とデータ量が整うまで延期されています。
• ホスト型 SaaS はありません。 ローカル優先が v1 の位置づけのすべてです。
• チーム／複数ユーザー向け機能。 v1 の対象外です。
• 汎用ウェブクローラー／独自の検索インデックス。 提供しません。SearXNG を引き続き使用します。研究に特化した厳選インデックスは v2 で追加される可能性があります。
• モバイル。 対象外です。

---

ステータス + ロードマップ

• 0.1.3 — パブリックアルファ（現在）。上記の機能を搭載し、PyPI、 公式 MCP レジストリ、Anthropic プラグインマーケットプレイスで公開中です。詳細は CHANGELOG.md をご覧ください。
• 0.2 — 専門ツールの接続（プリセットの tools_enabled フィールドがついに有効化）、GPU が利用可能になれば最初の LoRA 実行、docs/ にプラグインカタログを追加。
• 0.3 — チームコラボレーション機能（共有メモリ、PR 主導のドメインプリセット）、Tauri によるデスクトップアプリのパッケージ化。
• 0.4+ — 未着手の作業はGitHub Issuesで管理しています。

---

コントリビューション

最初に取り組むのに適した Issue：CONTRIBUTING.md。パイプラインの範囲に関する内容は RFC を提出してください。プラグインやドメインプリセットの提案も歓迎します。

Co-Authored-By トレーラーは付けず、著者名は記載どおりにしてください。

---

ライセンス

MIT。詳細は LICENSE をご覧ください。

関連（関連プロジェクト）

• HermesClaw — これらのレシピを実行できるセキュアなランタイム
• NVIDIA/OpenShell — カーネルレベルのエージェントサンドボックス
• NousResearch/hermes-agent — 自己改善型エージェント（その agentskills.io スキル形式と相互運用しています）

---

MCP レジストリの所有権

この PyPI パッケージは、https://registry.modelcontextprotocol.io に登録されている MCP サーバーの公式ソースです。以下の行はレジストリが検証する 所有権マーカーです。この README を編集する際に削除しないでください。

mcp-name: io.github.TheAiSingularity/agentic-research