# インテリジェントエージェント

AI Builder のプログラムは、AIビルダー向けのメンターガイド付きプロジェクトで、潜在的なAIアイデアを成功した製品に変えることに焦点を当てています。明確な目標設定、技術サポート、継続的な改善を通じて、建設的な創造的なアイデアを短期間で実用的に実現する手助けをします。

AgentCPM-GUI はオープンソースのモバイル端末向け大規模言語モデル（LLM）エージェントで、中英語のアプリケーションを操作するために設計されています。ユーザーがスクリーンショットを提供することで、自動的にタスクを実行することができます。その主な特長は、効果的な GUI 要素理解、高度な推論能力、および中国語アプリケーションへの正確なサポートです。この技術の目的は、モバイル端末上のエージェントのユーザーエクスペリエンスを向上させ、特に複雑なタスク処理において力を発揮します。この商品はモバイル端末での生産性を向上させるための位置づけで、あらゆる種類のユーザーに適合します。

ボタンはAIインテリジェントエージェント開発プラットフォームであり、プラグイン、短期?長期記憶、ワークフローなどの豊富な機能を統合し、ユーザーが商業価値のあるインテリジェントエージェントを迅速に構築および公開することを支援することを目的としています。その開放性と柔軟性により、あらゆる業界のユーザーが適切なソリューションを見つけることができ、個人と企業のさまざまなニーズに対応できます。

OpenManusは、オープンソース方式でManusと同様の機能を実現することを目指したオープンソースのインテリジェントエージェントプロジェクトです。招待コードは必要ありません。このプロジェクトは複数の開発者によって共同開発されており、強力な言語モデルと柔軟なプラグインシステムに基づいて、さまざまな複雑なタスクを迅速に実現できます。OpenManusの主な利点は、オープンソース、無料、そして拡張しやすいことであり、開発者や研究者が二次開発や研究を行うのに適しています。プロジェクトの背景は、既存のインテリジェントエージェントツールの改善ニーズに由来しており、完全にオープンで使いやすいインテリジェントエージェントプラットフォームを構築することを目標としています。

Agent Network Protocol（ANP）は、インテリジェントエージェント間の接続と通信方法を定義することを目的としています。分散型の認証とエンドツーエンドの暗号化通信により、データのセキュリティとプライバシー保護を確保します。動的プロトコルネゴシエーション機能により、エージェントネットワークを自動的に編成し、効率的な協調を実現します。ANPの目標は、データサイロを打破し、AIが完全なコンテキスト情報にアクセスできるようにすることで、インテリジェントエージェント時代の到来を促進することです。この技術は、オープン性、安全性、効率性などの利点を備えており、インテリジェントエージェントの協調を必要とするさまざまなシナリオに適しています。

Doublezero は、知識労働者向けの AI アシスタントツールです。インテリジェントエージェントを通じて、面倒な反復タスクの自動化を支援します。多くの一般的なアプリケーションとの統合に対応しており、簡単な指示でエージェントが自律的にタスクを実行し、必要に応じてフィードバックや承認を提供できます。セキュリティ、透明性、リアルタイム制御を重視しており、ユーザーはいつでもエージェントの動作を監視し、必要に応じて調整できます。現在ベータテスト段階にあり、コーディングスキル不要の高効率な自動化ソリューションを提供することを目指しています。

Tboxはアリペイの生活シーンに基づいた大規模言語モデル技術製品です。企業が専門的なインテリジェントエージェントを迅速に構築し、ビジネスの成長を促進することを目的としています。アリババの百霊大規模言語モデル、蟻天鑑、Lingjingデジタルヒューマンなどの先進技術を統合し、体験の向上、インテリジェントな意思決定などの機能を実現します。Tboxは、民生、行政、交通、観光地、医療など、様々な業界に適用でき、インテリジェントなサービスを通じてユーザーエクスペリエンスと業務効率を向上させます。価格と具体的な位置付けは企業のニーズによって異なり、企業にカスタマイズされたソリューションを提供します。

Qwen2.5-VLは、Qwenチームが発表した最新の主力ビジョン言語モデルであり、ビジョン言語モデル分野における重要な進歩です。一般的な物体の認識だけでなく、画像内の文字、グラフ、アイコンなどの複雑な内容の分析も可能で、長尺動画の理解やイベントの特定にも対応しています。複数のベンチマークテストで優れた性能を示しており、特に文書理解やビジュアルエージェントタスクにおいて顕著な優位性を持ち、強力なビジュアル理解と推論能力を備えています。主な利点としては、効率的なマルチモーダル理解、強力な長尺動画処理能力、柔軟なツール呼び出し能力があり、様々なアプリケーションシナリオに適しています。

Ekoは、開発者向けの生産レベルのインテリジェントエージェントフレームワークです。開発者は、自然言語とコードロジックを使用して、エージェントベースのワークフローを簡単に構築できます。Ekoの主な利点には、効率的なタスク分解能力、強力なツールサポート、柔軟なカスタマイズオプションなどがあります。複雑な自動化タスクの迅速な実装と開発効率の向上を支援することを目的としています。EkoはFellouAIチームによって開発され、現在オープンソースとして提供されており、ブラウザやデスクトップ環境など、複数のプラットフォームをサポートしています。具体的な価格は公開されていませんが、オープンソースであることから、開発者向けには無料で提供される可能性が高いものの、一部の高機能やカスタマイズサービスは有料となる可能性があります。

Dria-Agent-a-7Bは、Qwen2.5-Coderシリーズを基に訓練された、エージェントアプリケーションに特化した大規模言語モデルです。Pythonic関数呼び出し方式を採用しており、従来のJSON関数呼び出し方法と比較して、単一呼び出しでの複数関数並列処理、自由形式の推論とアクション、複雑なソリューションの即時生成などの利点があります。Berkeley Function Calling Leaderboard (BFCL)、MMLU-Pro、Dria-Pythonic-Agent-Benchmark (DPAB)など、複数のベンチマークテストで優れた性能を発揮しています。モデルサイズは76.2億パラメーター、BF16テンソル型を使用し、テキスト生成タスクに対応しています。主な利点としては、強力なプログラミング支援能力、効率的な関数呼び出し方式、特定分野における高い精度が挙げられます。自動プログラミングやインテリジェントエージェントなど、複雑な論理処理と複数ステップのタスク実行が必要なアプリケーションシナリオに適しています。現在、Hugging Faceプラットフォームで無料で利用可能です。

Dria-Agent-αは、Hugging Faceが提供する大規模言語モデル（LLM）ツール連携フレームワークです。Pythonコードを用いてツールを呼び出すことで、従来のJSON形式に比べてLLMの推論能力をより効果的に発揮し、より人間らしい自然言語に近い形で複雑な問題解決を可能にします。Pythonの高い人気と擬似コードに近い構文を活用することで、LLMのエージェントシナリオにおけるパフォーマンスを向上させます。Dria-Agent-αの開発には合成データ生成ツールDriaが使用されており、複数段階のパイプラインを通して現実的なシナリオを生成し、複雑な問題解決を行うモデルのトレーニングが行われています。現在、Dria-Agent-α-3BとDria-Agent-α-7Bの2つのモデルがHugging Faceで公開されています。

Genspark オートパイロットエージェントは、ユーザー操作をシミュレートしてタスクを自動処理するインテリジェントなエージェントです。ページを閉じた後も作業を継続します。この技術の中核となるのはその自動化機能であり、作業効率の大幅な向上、反復作業の削減を実現し、ユーザーはより創造的で戦略的なタスクに集中できます。Genspark オートパイロットエージェントは、現代の職場環境における自動化と効率向上へのニーズに応えるために開発されました。価格と位置付けについては、様々なユーザーのニーズに対応するため、複数のサービスレベルを提供する可能性があります。

AgentREは、複雑な情報環境下での関係抽出のために特別に設計されたエージェントベースのフレームワークです。インテリジェントエージェントの動作をシミュレートすることで、大規模データセットの効率的な処理と分析を行い、エンティティ間の関係を識別?抽出します。この技術は、特に大量の非構造化データを処理する必要がある場面において、自然言語処理と情報検索の分野で重要な意味を持ちます。AgentREの主な利点には、高い拡張性、柔軟性、複雑なデータ構造への対応能力があります。このフレームワークはオープンソースであり、研究者や開発者は自由に使用?修正して、様々なアプリケーションのニーズに適応させることができます。

ベクトル脈絡は、プログラミング不要で、ドラッグ＆ドロップ操作だけで強力なワークフローを作成できるAIワークフロー駆動型プラットフォームです。生成系AIモデルからマルチモーダル処理、ベクトルデータベースからウェブクローラーまで、様々なワークフローノードを提供しています。グラフィカルな設計をサポートしており、ユーザーは無限の可能性を秘めたインテリジェントエージェントを迅速に生成し、生産性を向上させ、自動化処理を実現できます。

VectorVeinは、AIワークフロー駆動型のインテリジェントエージェントプラットフォームです。プログラミング不要で、ドラッグ＆ドロップ操作により強力なワークフローを作成し、インテリジェントエージェントの可能性を無限に広げます。生産性向上に特化しており、豊富な機能と拡張性を備えているため、反復的なワークフローの自動化が必要なあらゆるシーンで活用できます。

IoAI（Internet of Agents）は、高度なモジュール設計により、さまざまなインテリジェントエージェント間の自動化された協調を実現することを目的とした、インテリジェントエージェント相互接続フレームワークです。開発者は、サードパーティのインテリジェントエージェントを迅速に統合し、統一されたインターフェースを介してタスクの割り当てと実行を行うことができます。IoAの中核となる強みは、その柔軟性と拡張性であり、共同論文執筆、ベンチマークテスト、オープン指令データセットなど、さまざまなアプリケーションシナリオに対応しています。

AutoGPTは、ユーザーがインテリジェントエージェントを作成?実行できる強力なツールです。これらのエージェントは様々なタスクを自動化し、生活をより楽にすることができます。AutoGPTの目標は、ユーザーが重要なことに集中できるツールを提供することです。AIエージェントの構築と利用を通じて、AIイノベーションの最前線を推進しています。

OmAgentは、マルチモーダル大規模言語モデルやその他のマルチモーダルアルゴリズムを活用して魅力的なタスクを実行することに重点を置いた、複雑なマルチモーダルインテリジェントエージェントシステムです。このプロジェクトには、マルチモーダルな課題に対処するために設計された軽量のインテリジェントエージェントフレームワークであるomagent_coreが含まれています。OmAgentは、長尺ビデオの理解、複雑な問題の分解、情報検索を担当するVideo2RAG、DnCLoop、Rewinder Toolの3つのコアコンポーネントで構成されています。

xLAMは、Salesforce AI Researchチームが開発した大規模言語モデル（Large Language Models、LLMs）ベースのインテリジェントエージェント研究プロジェクトです。異なる環境からのインテリジェントエージェントの軌跡を統合し、それらを統一的なフォーマットに標準化することで、インテリジェントエージェントのトレーニング専用に最適化された汎用データローダーを作成します。xLAM-v0.1-rは、このモデルシリーズの0.1バージョンで、研究目的のために設計されており、VLLMおよびFastChatプラットフォームと互換性があります。

Nerveは、状態を持つエージェントを作成できるLLMツールです。ユーザーはコードを記述することなく、複雑なタスクを定義および実行できます。動的にシステムプロンプトを更新し、複数の推論プロセスで状態を維持することで、エージェントはタスクの完了に必要な操作を計画し、段階的に実行できます。Nerveは、ollama、groq、またはOpenAI APIでアクセス可能なモデルをサポートし、高い柔軟性と効率性を備えながら、メモリ安全性を重視しています。

腾讯元器は、プラグイン、ナレッジベース、ワークフローなどを活用して、開発者が低コストで高品質なインテリジェントエージェントを迅速に構築できるインテリジェントエージェント開発プラットフォームです。柔軟性、使いやすさ、効率性の向上が主な特長で、開発者向けのワンストップソリューションとして、インテリジェントエージェントの開発と公開を提供します。

Sierraは、お客様体験を向上させる対話型AIプラットフォームです。お客様のビジネスに合わせてカスタマイズされたインテリジェントな会話エージェントを構築し、パーソナライズされたサポートとソリューションを提供します。Sierraは、高い安全性、コンプライアンス、信頼性を備えています。

UFOは、Windowsオペレーティングシステムとの対話のためのUIに焦点を当てたデュアルエージェントフレームワークです。自然言語理解を用いてユーザーの要求を解釈し、1つまたは複数のアプリケーションをシームレスに操作して、それらの要求を実行します。このフレームワークは、AppAgentとActAgentという2つのエージェントで構成されています。AppAgentは、ユーザーの要求に基づいてアプリケーションを選択します。ActAgentは、タスクが完了するまで、選択されたアプリケーション内で操作を繰り返し実行します。両エージェントとも、GPT-Visionのマルチモーダル機能を利用してアプリケーションのUIを理解し、ユーザーの要求に応えます。

POKéLLMonは、戦術的戦闘ゲームにおいて人間レベルの性能を実現した初のLLMベースのエージェントです。3つの主要な戦略を統合しています。1）コンテキストベースの強化学習：戦闘から抽出したテキスト記述からのフィードバックをリアルタイムに活用し、生成戦略を反復的に最適化します。2）知識増強型生成：外部知識を利用して幻覚に対抗し、エージェントがタイムリーかつ正確に行動できるようにします。3）自己整合的な行動生成：強力な相手と対峙し、戦闘を避けたい場合の、パニックによる行動の急変を軽減します。人間のプレイヤーとのオンライン対戦では、POKéLLMonの人間レベルの戦闘性能と戦略が示され、リーグ戦で49％、招待試合で56％の勝率を記録しました。さらに、人間のプレイヤーによる消耗戦術や欺瞞戦術に対する脆弱性も明らかにしました。

LLaMA Proは、大規模な自然言語処理のためのモデルです。Transformerモジュールの拡張により、旧知の知識を忘れることなく、新しいコーパスを効率的かつ効果的に活用してモデルの知識を向上させることができます。LLaMA Proは、汎用タスク、プログラミング、数学において優れた性能を発揮します。LLaMA2-7Bを初期化モデルとして使用しています。LLaMA Proとその指示型モデル（LLaMA Pro-Instruct）は、様々なベンチマークテストで最先端の性能を達成し、インテリジェントエージェントにおける推論と様々なタスク処理における大きな可能性を示しています。本モデルは、自然言語とプログラミング言語の統合に貴重な知見を提供し、様々な環境で効果的に機能する高度な言語エージェント開発の基盤を築きます。

LARPは、オープンワールドゲームにおけるロールプレイングのための言語知能エージェントフレームワークです。認知アーキテクチャ、環境インタラクション、キャラクター造形モジュールを含み、独特な背景と個性を持つゲームキャラクターを生み出し、ユーザーとインテリジェントエージェント間のインタラクション体験を強化します。LARPは、洗練されたインタラクションと一貫した長期記憶を通じて、言語モデルがオープンワールドの複雑さに適応し、柔軟な問題解決を実現する支援をします。

KwaiAgentsは、快手科技KwaiKEGがオープンソースで公開している、一連のインテリジェントエージェント関連の取り組みです。オープンソースの内容には、KAgentSys-Liteシステム（論文で紹介されているKAgentSysシステムの簡略版）、計画、反省、ツール使用などのエージェント機能を備えた大規模言語モデルであるKAgentLMsシリーズ、論文で提案されている数十万件のインテリジェントエージェント命令微調整データ（KAgentInstruct）、エージェントの計画、ツール使用、反省、要約、記述能力などをテストするための3000件以上の人工評価データセット（KAgentBench）が含まれています。

TeamGPTは、世界初のAI駆動型オフィスです。AI駆動のワークスペースを提供し、スマートプロンプト、主要な役割、インテリジェントエージェントが含まれます。大規模データセットの分析、パーソナライズされた推奨、ワークフローの最適化などの機能により、より賢明な意思決定、パーソナライズされたエクスペリエンス、ワークフローの簡素化、チームワークの促進、コスト削減を支援します。TeamGPTは様々なAIツールを統合し、ワンストップサービスを提供します。