autogpt-agents

AutoGPT - 自律型 AI エージェントプラットフォーム

ビジュアルインターフェースや開発ツールキットを通じて、継続的に動作する AI エージェントを構築、デプロイ、管理するための包括的なプラットフォームです。

AutoGPT を使用するケース

AutoGPT を使用するとよいケース:

• 継続的に実行される自律型エージェントを構築する場合
• ビジュアルなワークフローベースの AI エージェントを作成する場合
• 外部トリガー（Webhook、スケジュール）を使ってエージェントをデプロイする場合
• 複雑な複数ステップの自動化パイプラインを構築する場合
• ノーコード/ローコードのエージェントビルダーが必要な場合

主な機能:

• ビジュアルエージェントビルダー: ドラッグアンドドロップ式のノードベースのワークフローエディター
• 継続的な実行: トリガーにより、エージェントが永続的に動作します
• マーケットプレイス: 共有・再利用できる、ビルド済みのエージェントとブロック
• ブロックシステム: LLM、ツール、インテグレーションのためのモジュール式コンポーネント
• Forge ツールキット: カスタムエージェントを作成するための開発者向けツール
• ベンチマークシステム: 標準化されたエージェントのパフォーマンステスト

代わりに検討できる選択肢:

• LangChain/LlamaIndex: エージェントのロジックをより細かく制御したい場合
• CrewAI: ロールベースのマルチエージェント協調を行う場合
• OpenAI Assistants: シンプルなホスト型エージェントをデプロイする場合
• Semantic Kernel: Microsoft エコシステムと統合する場合

クイックスタート

インストール（Docker）

# Clone repository
git clone https://github.com/Significant-Gravitas/AutoGPT.git
cd AutoGPT/autogpt_platform

# Copy environment file
cp .env.example .env

# Start backend services
docker compose up -d --build

# Start frontend (in separate terminal)
cd frontend
cp .env.example .env
npm install
npm run dev

プラットフォームへのアクセス

• フロントエンド UI: http://localhost:3000
• バックエンド API: http://localhost:8006/api
• WebSocket: ws://localhost:8001/ws

アーキテクチャの概要

AutoGPT には、2 つの主要なシステムがあります。

AutoGPT Platform（本番環境）

• React フロントエンドを備えたビジュアルエージェントビルダー
• 実行エンジンを備えた FastAPI バックエンド
• PostgreSQL + Redis + RabbitMQ インフラストラクチャ

AutoGPT Classic（開発環境）

• Forge: エージェント開発ツールキット
• Benchmark: パフォーマンステストフレームワーク
• CLI: 開発用のコマンドラインインターフェース

基本概念

グラフとノード

エージェントは、リンクで接続されたノードを含むグラフとして表現されます。

Graph (Agent)
  ├── Node (Input)
  │   └── Block (AgentInputBlock)
  ├── Node (Process)
  │   └── Block (LLMBlock)
  ├── Node (Decision)
  │   └── Block (SmartDecisionMaker)
  └── Node (Output)
      └── Block (AgentOutputBlock)

ブロック

ブロックは再利用可能な機能コンポーネントです。

ブロックタイプ	目的
INPUT	エージェントの入力ポイント
OUTPUT	エージェントの出力
AI	LLM の呼び出し、テキスト生成
WEBHOOK	外部トリガー
STANDARD	一般的な操作
AGENT	ネストされたエージェントの実行

実行フロー

User/Trigger → Graph Execution → Node Execution → Block.execute()
     ↓              ↓                 ↓
  Inputs      Queue System      Output Yields

エージェントの構築

ビジュアルビルダーの使用

1. http://localhost:3000 で Agent Builder を開きます
2. BlocksControl パネルからブロックを追加します
3. ハンドル間をドラッグしてノードを接続します
4. 各ノードで入力を設定します
5. PrimaryActionBar を使ってエージェントを実行します

利用可能なブロック

AI ブロック:

• AITextGeneratorBlock - LLM でテキストを生成します
• AIConversationBlock - 複数ターンの会話
• SmartDecisionMakerBlock - 条件分岐ロジック

インテグレーションブロック:

• GitHub、Google、Discord、Notion のコネクター
• Webhook トリガーとハンドラー
• HTTP リクエストブロック

制御ブロック:

• 入力/出力ブロック
• 分岐と判断ノード
• ループと反復ブロック

エージェントの実行

トリガーの種類

手動実行:

POST /api/v1/graphs/{graph_id}/execute
Content-Type: application/json

{
  "inputs": {
    "input_name": "value"
  }
}

Webhook トリガー:

POST /api/v1/webhooks/{webhook_id}
Content-Type: application/json

{
  "data": "webhook payload"
}

スケジュール実行:

{
  "schedule": "0 */2 * * *",
  "graph_id": "graph-uuid",
  "inputs": {}
}

実行の監視

WebSocket による更新:

const ws = new WebSocket('ws://localhost:8001/ws');

ws.onmessage = (event) => {
  const update = JSON.parse(event.data);
  console.log(`Node ${update.node_id}: ${update.status}`);
};

REST API によるポーリング:

GET /api/v1/executions/{execution_id}

Forge（開発）の使用

カスタムエージェントの作成

# Setup forge environment
cd classic
./run setup

# Create new agent from template
./run forge create my-agent

# Start agent server
./run forge start my-agent

エージェントの構造

my-agent/
├── agent.py          # Main agent logic
├── abilities/        # Custom abilities
│   ├── __init__.py
│   └── custom.py
├── prompts/          # Prompt templates
└── config.yaml       # Agent configuration

カスタムアビリティの実装

from forge import Ability, ability

@ability(
    name="custom_search",
    description="Search for information",
    parameters={
        "query": {"type": "string", "description": "Search query"}
    }
)
def custom_search(query: str) -> str:
    """Custom search ability."""
    # Implement search logic
    result = perform_search(query)
    return result

エージェントのベンチマーク

ベンチマークの実行

# Run all benchmarks
./run benchmark

# Run specific category
./run benchmark --category coding

# Run with specific agent
./run benchmark --agent my-agent

ベンチマークのカテゴリ

• Coding: コードの生成とデバッグ
• Retrieval: 情報の検索
• Web: Web のブラウジングと操作
• Writing: テキスト生成タスク

VCR カセット

ベンチマークでは、再現性を確保するために記録された HTTP レスポンスを使用します。

# Record new cassettes
./run benchmark --record

# Run with existing cassettes
./run benchmark --playback

インテグレーション

認証情報の追加

1. Profile > Integrations に移動します
2. プロバイダー（OpenAI、GitHub、Google など）を選択します
3. API キーを入力するか、OAuth で認可します
4. 認証情報は暗号化されて安全に保存されます

ブロックでの認証情報の使用

ブロックは、ユーザーの認証情報に自動的にアクセスします。

class MyLLMBlock(Block):
    def execute(self, inputs):
        # Credentials are injected by the system
        credentials = self.get_credentials("openai")
        client = OpenAI(api_key=credentials.api_key)
        # ...

対応プロバイダー

プロバイダー	認証タイプ	用途
OpenAI	API Key	LLM、埋め込み
Anthropic	API Key	Claude モデル
GitHub	OAuth	コード、リポジトリ
Google	OAuth	Drive、Gmail、Calendar
Discord	Bot Token	メッセージング
Notion	OAuth	ドキュメント

デプロイ

Docker の本番環境セットアップ

# docker-compose.prod.yml
services:
  rest_server:
    image: autogpt/platform-backend
    environment:
      - DATABASE_URL=postgresql://...
      - REDIS_URL=redis://redis:6379
    ports:
      - "8006:8006"

  executor:
    image: autogpt/platform-backend
    command: poetry run executor

  frontend:
    image: autogpt/platform-frontend
    ports:
      - "3000:3000"

環境変数

変数	用途
DATABASE_URL	PostgreSQL 接続
REDIS_URL	Redis 接続
RABBITMQ_URL	RabbitMQ 接続
ENCRYPTION_KEY	認証情報の暗号化
SUPABASE_URL	認証

暗号化キーの生成

cd autogpt_platform/backend
poetry run cli gen-encrypt-key

ベストプラクティス

1. シンプルに始める：3～5 個のノードエージェントから始めます
2. 段階的にテストする：変更のたびに実行してテストします
3. Webhook を使う：イベント駆動型エージェントの外部トリガーとして使用します
4. コストを監視する：クレジットシステムを通じて LLM API の使用状況を追跡します
5. エージェントをバージョン管理する：変更前に動作するバージョンを保存します
6. ベンチマークを行う：agbenchmark を使ってエージェントの品質を検証します

よくある問題

サービスが起動しない場合：

# Check container status
docker compose ps

# View logs
docker compose logs rest_server

# Restart services
docker compose restart

データベース接続の問題：

# Run migrations
cd backend
poetry run prisma migrate deploy

エージェントの実行が止まってしまう場合：

# Check RabbitMQ queue
# Visit http://localhost:15672 (guest/guest)

# Clear stuck executions
docker compose restart executor

参考資料

• 高度な使い方 - カスタムブロック、デプロイ、スケーリング
• トラブルシューティング - よくある問題、デバッグ

リソース

• ドキュメント：https://docs.agpt.co
• リポジトリ：https://github.com/Significant-Gravitas/AutoGPT
• Discord：https://discord.gg/autogpt
• ライセンス：MIT（Classic）／Polyform Shield（Platform）

エージェントの運用手順

1. 環境を確認します。 フレームワークのバージョン、モデルプロバイダー、API キー、レート制限を確認します。
2. 入力を明確にします。 データまたはユーザーから、形式、識別子、パラメーターを確認します。結果を左右する値は推測せず、質問してください。
3. まず小規模に実行します。 既知の入力で単一の呼び出しまたはチェーンをテストし、生の出力を確認します。
4. 上記の手順と参考資料を使って、タスク全体を実行します。
5. 結果を検証します。 小規模なラベル付きデータセットで評価し、構造化出力をスキーマと照合し、プロンプトと応答を記録します。
6. 報告します。 実行した内容（バージョン、コマンド、パラメーター）、確認した内容、未確定の事項を伝えます。

このような場合	対応方法
出力が期待されるスキーマと一致しない	検証と再試行を追加する、スキーマを厳密にする、またはプロンプトを簡素化します。
これらの手順に記載されている関数、フラグ、エンドポイントがインストール済みバージョンにない	インストール済みバージョンのドキュメント（help()、--help、公式ドキュメント）を確認し、適切に対応してユーザーに伝えます。API を捏造してはいけません。
必須の入力、識別子、パラメーターが曖昧	ユーザーに質問するか、実行前に仮定を明示します。

インテグリティに関するルール

• 結果、パラメーター、識別子、引用、統計を捏造してはいけません。実行または検証できない場合は、その旨を明確に伝えます。
• ユーザーの同意なしに、個人情報や機密データを外部 API に送信してはいけません。
• ここに記載されているバージョン固有の詳細は古くなっている可能性があるため、インストール済みバージョンの公式ドキュメントで確認します。
• 費用が発生する、共有 GPU やクラウドクォータを消費する、個人データや患者データを扱う、または取り消せない操作を行う前には、ユーザーに確認します。

関連スキル

• langchain：エージェント、チェーン、RAG を備えた LLM 搭載アプリケーションを構築するためのフレームワークです。
• crewai-multi-agent：自律的な AI の協調作業を実現するマルチエージェントオーケストレーションフレームワークです。
• evolving-ai-agents：LLM 駆動の進化アルゴリズムを使用して、あらゆる分野の AI エージェントを自動的に進化・最適化するためのガイダンスを提供します。