Praisonai

🚀 Praison AI

PraisonAIは、自己反射機能を備えた本番環境対応のマルチAIエージェントフレームワークです。簡単なタスクから複雑な課題まで、様々な問題を自動化して解決するAIエージェントを作成することができます。PraisonAIエージェント、AG2（旧AutoGen）、CrewAIを低コードソリューションに統合することで、マルチエージェントLLMシステムの構築と管理を合理化し、シンプルさ、カスタマイズ性、および効果的な人間とエージェントの協力を強調します。

🚀 クイックスタート

PraisonAIを1分以内で始めることができます。

# インストール
pip install praisonaiagents

# APIキーを設定
export OPENAI_API_KEY=your_key_here

# シンプルなエージェントを作成
python -c "from praisonaiagents import Agent; Agent(instructions='You are a helpful AI assistant').start('Write a haiku about AI')"

✨ 主な機能

コアエージェント

ワークフロー

コードと開発

メモリと知識

研究とインテリジェンス

計画と実行

特殊エージェント

メディアとマルチモーダル

プロトコルと統合

安全性と制御

高度な機能

ツールと設定

モニタリングと管理

CLI機能

評価

エージェントスキル

24/7スケジューリング

📦 インストール

Python SDK

コーディングに特化した軽量パッケージです。

pip install praisonaiagents

CLIサポート付きのフルフレームワークをインストールするには：

pip install praisonai

JavaScript SDK

npm install praisonai

環境変数

*少なくとも1つのLLMプロバイダーのAPIキーが必要です。

# APIキーを設定
export OPENAI_API_KEY=your_key_here

# Ollama (ローカルモデル) の場合
export OPENAI_BASE_URL=http://localhost:11434/v1

# Groqの場合
export OPENAI_API_KEY=your_groq_key
export OPENAI_BASE_URL=https://api.groq.com/openai/v1

💻 使用例

Pythonコードの使用例

1. シングルエージェント

app.pyファイルを作成し、以下のコードを追加します。

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

実行：

python app.py

2. マルチエージェント

app.pyファイルを作成し、以下のコードを追加します。

from praisonaiagents import Agent, PraisonAIAgents

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

実行：

python app.py

3. 計画モードのエージェント

任意のエージェントに計画を有効にすると、エージェントは計画を作成し、それをステップごとに実行します。

from praisonaiagents import Agent

def search_web(query: str) -> str:
    return f"Search results for: {query}"

agent = Agent(
    name="AI Assistant",
    instructions="Research and write about topics",
    planning=True,              # 計画モードを有効にする
    planning_tools=[search_web], # 計画調査用のツール
    planning_reasoning=True      # 思考連鎖推論
)

result = agent.start("Research AI trends in 2025 and write a summary")

起こること：

1. 📋 エージェントが多段階の計画を作成する
2. 🚀 各ステップを順次実行する
3. 📊 コンテキストの受け渡しで進捗を表示する
4. ✅ 最終結果を返す

4. ディープリサーチエージェント

OpenAIまたはGeminiのディープリサーチAPIを使用したリアルタイムストリーミング、ウェブ検索、および引用付きの自動化された調査。

from praisonaiagents import DeepResearchAgent

# OpenAIディープリサーチ
agent = DeepResearchAgent(
    model="o4-mini-deep-research",  # または "o3-deep-research"
    verbose=True
)

result = agent.research("What are the latest AI trends in 2025?")
print(result.report)
print(f"Citations: {len(result.citations)}")

# Geminiディープリサーチ
from praisonaiagents import DeepResearchAgent

agent = DeepResearchAgent(
    model="deep-research-pro",  # 自動検出されるGemini
    verbose=True
)

result = agent.research("Research quantum computing advances")
print(result.report)

機能：

• 🔍 複数のプロバイダーサポート (OpenAI、Gemini、LiteLLM)
• 📡 推論サマリー付きのリアルタイムストリーミング
• 📚 URL付きの構造化引用
• 🛠️ 組み込みツール：ウェブ検索、コードインタープリター、MCP、ファイル検索
• 🔄 モデル名からの自動プロバイダー検出

5. クエリリライターエージェント

複数の戦略を使用してユーザークエリを変換し、RAG検索品質を向上させます。

from praisonaiagents import QueryRewriterAgent, RewriteStrategy

agent = QueryRewriterAgent(model="gpt-4o-mini")

# 基本 - 略語を展開し、コンテキストを追加する
result = agent.rewrite("AI trends")
print(result.primary_query)  # "What are the current trends in Artificial Intelligence?"

# HyDE - セマンティックマッチング用の仮想ドキュメントを生成する
result = agent.rewrite("What is quantum computing?", strategy=RewriteStrategy.HYDE)

# ステップバック - より広いコンテキストの質問を生成する
result = agent.rewrite("GPT-4 vs Claude 3?", strategy=RewriteStrategy.STEP_BACK)

# サブクエリ - 複雑な質問を分解する
result = agent.rewrite("RAG setup and best embedding models?", strategy=RewriteStrategy.SUB_QUERIES)

# コンテキスト - チャット履歴を使用して参照を解決する
result = agent.rewrite("What about cost?", chat_history=[...])

戦略：

• BASIC：略語を展開し、タイポを修正し、コンテキストを追加する
• HYDE：セマンティックマッチング用の仮想ドキュメントを生成する
• STEP_BACK：より高レベルの概念の質問を生成する
• SUB_QUERIES：複数部分の質問を分解する
• MULTI_QUERY：複数の言い換えバージョンを生成する
• CONTEXTUAL：会話履歴を使用して参照を解決する
• AUTO：最適な戦略を自動検出する

6. エージェントメモリ (依存関係なし)

エージェントに永続的なメモリを有効にする - 追加のパッケージなしでそのまま動作します。

from praisonaiagents import Agent
from praisonaiagents.memory import FileMemory

# 単一のパラメータでメモリを有効にする
agent = Agent(
    name="Personal Assistant",
    instructions="You are a helpful assistant that remembers user preferences.",
    memory=True,  # ファイルベースのメモリを有効にする (追加の依存関係なし!)
    user_id="user123"  # ユーザーごとにメモリを分離する
)

# メモリは会話に自動的に注入される
result = agent.start("My name is John and I prefer Python")
# エージェントは将来の会話でこれを覚える

メモリの種類：

• 短期：最近のコンテキストのローリングバッファ (自動期限切れ)
• 長期：重要な事実を永続的に保存する (重要度でソート)
• エンティティ：属性付きの人物、場所、組織
• エピソード：日付ベースの対話履歴

高度な機能：

from praisonaiagents.memory import FileMemory

memory = FileMemory(user_id="user123")

# セッションの保存/再開
memory.save_session("project_session", conversation_history=[...])
memory.resume_session("project_session")

# コンテキスト圧縮
memory.compress(llm_func=lambda p: agent.chat(p), max_items=10)

# チェックポイントの作成
memory.create_checkpoint("before_refactor", include_files=["main.py"])
memory.restore_checkpoint("before_refactor", restore_files=True)

# スラッシュコマンド
memory.handle_command("/memory show")
memory.handle_command("/memory save my_session")

ストレージオプション：

7. ルールと指示

PraisonAIは、プロジェクトルートとgitルートから指示ファイルを自動検出します。

from praisonaiagents import Agent

# エージェントはCLAUDE.md、AGENTS.md、GEMINI.mdなどを自動検出する
agent = Agent(name="Assistant", instructions="You are helpful.")
# ルールは自動的にシステムプロンプトに注入される

@Import構文：

# CLAUDE.md
See @README for project overview
See @docs/architecture.md for system design
@~/.praison/my-preferences.md

ルールファイルの形式 (YAMLフロントマター付き)：

---
description: Python coding guidelines
globs: ["**/*.py"]
activation: always  # always, glob, manual, ai_decision
---

# Guidelines
- Use type hints
- Follow PEP 8

8. 自動生成メモリ

from praisonaiagents.memory import FileMemory, AutoMemory

memory = FileMemory(user_id="user123")
auto = AutoMemory(memory, enabled=True)

# 会話から自動的にメモリを抽出して保存する
memories = auto.process_interaction(
    "My name is John and I prefer Python for backend work"
)
# 抽出：name="John", preference="Python for backend"

9. エージェントワークフロー

Workflowクラスを使用して強力なマルチエージェントワークフローを作成します。

from praisonaiagents import Agent, Workflow

# エージェントを作成
researcher = Agent(
    name="Researcher",
    role="Research Analyst",
    goal="Research topics thoroughly",
    instructions="Provide concise, factual information."
)

writer = Agent(
    name="Writer",
    role="Content Writer", 
    goal="Write engaging content",
    instructions="Write clear, engaging content based on research."
)

# エージェントをステップとして持つワークフローを作成
workflow = Workflow(steps=[researcher, writer])

# ワークフローを実行 - エージェントが順次処理する
result = workflow.start("What are the benefits of AI agents?")
print(result["output"])

主要な機能：

• エージェント優先 - Agentオブジェクトを直接ワークフローステップとして渡す
• パターンヘルパー - route()、parallel()、loop()、repeat()を使用する
• 計画モード - planning=Trueで有効にする
• コールバック - on_step_complete、on_workflow_completeで監視する
• 非同期実行 - workflow.astart()で非同期に実行する

ワークフローパターン (route、parallel、loop、repeat)

from praisonaiagents import Agent, Workflow
from praisonaiagents.workflows import route, parallel, loop, repeat

# 1. ルーティング - 分類器エージェントが専門エージェントにルーティングする
classifier = Agent(name="Classifier", instructions="Respond with 'technical' or 'creative'")
tech_agent = Agent(name="TechExpert", role="Technical Expert")
creative_agent = Agent(name="Creative", role="Creative Writer")

workflow = Workflow(steps=[
    classifier,
    route({
        "technical": [tech_agent],
        "creative": [creative_agent]
    })
])

# 2. 並列 - 複数のエージェントが同時に作業する
market_agent = Agent(name="Market", role="Market Researcher")
competitor_agent = Agent(name="Competitor", role="Competitor Analyst")
aggregator = Agent(name="Aggregator", role="Synthesizer")

workflow = Workflow(steps=[
    parallel([market_agent, competitor_agent]),
    aggregator
])

# 3. ループ - エージェントが各アイテムを処理する
processor = Agent(name="Processor", role="Item Processor")
summarizer = Agent(name="Summarizer", role="Summarizer")

workflow = Workflow(
    steps=[loop(processor, over="items"), summarizer],
    variables={"items": ["AI", "ML", "NLP"]}
)

# 4. 繰り返し - 評価器-最適化器パターン
generator = Agent(name="Generator", role="Content Generator")
evaluator = Agent(name="Evaluator", instructions="Say 'APPROVED' if good")

workflow = Workflow(steps=[
    generator,
    repeat(evaluator, until=lambda ctx: "approved" in ctx.previous_result.lower(), max_iterations=3)
])

# 5. コールバック
workflow = Workflow(
    steps=[researcher, writer],
    on_step_complete=lambda name, r: print(f"✅ {name} done")
)

# 6. 計画と推論付き
workflow = Workflow(
    steps=[researcher, writer],
    planning=True,
    reasoning=True
)

# 7. 非同期実行
result = asyncio.run(workflow.astart("input"))

# 8. ステータス追跡
workflow.status  # "not_started" | "running" | "completed"
workflow.step_statuses  # {"step1": "completed", "step2": "skipped"}

YAMLワークフローテンプレート

# .praison/workflows/research.yaml
name: Research Workflow
description: Research and write content with all patterns

agents:
  researcher:
    role: Research Expert
    goal: Find accurate information
    tools: [tavily_search, web_scraper]
  writer:
    role: Content Writer
    goal: Write engaging content
  editor:
    role: Editor
    goal: Polish content

steps:
  # シーケンシャル
  - agent: researcher
    action: Research {{topic}}
    output_variable: research_data

  # ルーティング
  - name: classifier
    action: Classify content type
    route:
      technical: [tech_handler]
      creative: [creative_handler]
      default: [general_handler]

  # 並列
  - name: parallel_research
    parallel:
      - agent: researcher
        action: Research market
      - agent: researcher
        action: Research competitors

  # ループ
  - agent: writer
    action: Write about {{item}}
    loop_over: topics
    loop_var: item

  # 繰り返し (評価器-最適化器)
  - agent: editor
    action: Review and improve
    repeat:
      until: "quality > 8"
      max_iterations: 3

  # ファイルへの出力
  - agent: writer
    action: Write final report
    output_file: output/{{topic}}_report.md

variables:
  topic: AI trends
  topics: [ML, NLP, Vision]

workflow:
  planning: true
  planning_llm: gpt-4o
  memory_config:
    provider: chroma
    persist: true

YAMLワークフローの読み込み

from praisonaiagents.workflows import YAMLWorkflowParser, WorkflowManager

# オプション1: YAML文字列を解析する
parser = YAMLWorkflowParser()
workflow = parser.parse_string(yaml_content)
result = workflow.start("Research AI trends")

# オプション2: WorkflowManagerでファイルから読み込む
manager = WorkflowManager()
workflow = manager.load_yaml("research_workflow.yaml")
result = workflow.start("Research AI trends")

# オプション3: YAMLを直接実行する
result = manager.execute_yaml(
    "research_workflow.yaml",
    input_data="Research AI trends",
    variables={"topic": "Machine Learning"}
)

完全なworkflow.yamlのリファレンス

# workflow.yaml - 全機能リファレンス
name: Complete Workflow
description: Demonstrates all workflow.yaml features
framework: praisonai  # praisonai, crewai, autogen
process: workflow     # sequential, hierarchical, workflow

workflow:
  planning: true
  planning_llm: gpt-4o
  reasoning: true
  verbose: true
  memory_config:
    provider: chroma
    persist: true

variables:
  topic: AI trends
  items: [ML, NLP, Vision]

agents:
  researcher:
    name: Researcher
    role: Research Analyst
    goal: Research topics thoroughly
    instructions: "Provide detailed research findings"
    backstory: "Expert researcher with 10 years experience"  # instructionsのエイリアス
    llm: gpt-4o-mini
    function_calling_llm: gpt-4o      # ツール呼び出し用
    max_rpm: 10                        # レート制限
    max_execution_time: 300            # タイムアウト (秒)
    reflect_llm: gpt-4o               # 自己反射用
    min_reflect: 1
    max_reflect: 3
    system_template: "You are a helpful assistant"
    tools:
      - tavily_search

  writer:
    name: Writer
    role: Content Writer
    goal: Write clear content
    instructions: "Write engaging content"

steps:
  - name: research_step
    agent: researcher
    action: "Research {{topic}}"
    expected_output: "Comprehensive research report"
    output_file: "output/research.md"
    create_directory: true
    
  - name: writing_step
    agent: writer
    action: "Write article based on research"
    context:                          # タスク依存関係
      - research_step
    output_json:                      # 構造化出力
      type: object
      properties:
        title: { type: string }
        content: { type: string }

callbacks:
  on_workflow_start: log_start
  on_step_complete: log_step
  on_workflow_complete: log_complete

10. フック

エージェントの動作をさまざまなライフサイクルポイントでインターセプトして変更します。

from praisonaiagents.hooks import (
    HookRegistry, HookRunner, HookEvent, HookResult,
    BeforeToolInput
)

# フックレジストリを作成
registry = HookRegistry()

# すべてのツール呼び出しをログに記録する
@registry.on(HookEvent.BEFORE_TOOL)
def log_tools(event_data: BeforeToolInput) -> HookResult:
    print(f"Tool: {event_data.tool_name}")
    return HookResult.allow()

# 危険な操作をブロックする
@registry.on(HookEvent.BEFORE_TOOL)
def security_check(event_data: BeforeToolInput) -> HookResult:
    if "delete" in event_data.tool_name.lower():
        return HookResult.deny("Delete operations blocked")
    return HookResult.allow()

# フックを実行
runner = HookRunner(registry)

CLIコマンド：

praisonai hooks list                    # 登録されたフックをリストする
praisonai hooks test before_tool        # イベントのフックをテストする
praisonai hooks run "echo test"         # コマンドフックを実行する
praisonai hooks validate hooks.json     # 設定を検証する

11. シャドウGitチェックポイント

シャドウGitを使用したファイルレベルの元に戻し/復元。

from praisonaiagents.checkpoints import CheckpointService

service = CheckpointService(workspace_dir="./my_project")
await service.initialize()

# 変更前にチェックポイントを保存
result = await service.save("Before refactoring")

# 変更を加える...

# 必要に応じて復元
await service.restore(result.checkpoint.id)

# 差分を表示
diff = await service.diff()

CLIコマンド：

praisonai checkpoint save "Before changes"  # チェックポイントを保存する
praisonai checkpoint list                   # チェックポイントをリストする
praisonai checkpoint diff                   # 変更を表示する
praisonai checkpoint restore abc123         # チェックポイントに復元する

リンク：

• 📖 コーディングドキュメント
• 📖 CLIドキュメント
• 💻 サンプル

12. バックグラウンドタスク

エージェントタスクを非同期で実行し、ブロックしません。

import asyncio
from praisonaiagents.background import BackgroundRunner, BackgroundConfig

async def main():
    config = BackgroundConfig(max_concurrent_tasks=3)
    runner = BackgroundRunner(config=config)
    
    async def my_task(name: str) -> str:
        await asyncio.sleep(2)
        return f"Task {name} completed"
    
    task = await runner.submit(my_task, args=("example",), name="my_task")
    await task.wait(timeout=10.0)
    print(task.result)

asyncio.run(main())

CLIコマンド：

praisonai background list          # 実行中のタスクをリストする
praisonai background status <id>   # タスクのステータスを確認する
praisonai background cancel <id>   # タスクをキャンセルする
praisonai background clear         # 完了したタスクをクリアする

リンク：

• 📖 コーディングドキュメント
• 📖 CLIドキュメント
• 💻 サンプル

13. ポリシーエンジン

ポリシーベースの実行でエージェントができることとできないことを制御します。

from praisonaiagents.policy import (
    PolicyEngine, Policy, PolicyRule, PolicyAction
)

engine = PolicyEngine()

policy = Policy(
    name="no_delete",
    rules=[
        PolicyRule(
            action=PolicyAction.DENY,
            resource="tool:delete_*",
            reason="Delete operations blocked"
        )
    ]
)
engine.add_policy(policy)

result = engine.check("tool:delete_file", {})
print(f"Allowed: {result.allowed}")

CLIコマンド：

praisonai policy list                  # ポリシーをリストする
praisonai policy check "tool:name"     # 許可されているかを確認する
praisonai policy init                  # テンプレートを作成する

リンク：

• 📖 コーディングドキュメント
• 📖 CLIドキュメント
• 💻 サンプル

14. 思考予算

拡張思考のためのトークン予算を設定します。

from praisonaiagents.thinking import ThinkingBudget, ThinkingTracker

# 事前定義のレベルを使用
budget = ThinkingBudget.high()  # 16,000トークン

# 使用状況を追跡
tracker = ThinkingTracker()
session = tracker.start_session(budget_tokens=16000)
tracker.end_session(session, tokens_used=12000)

summary = tracker.get_summary()
print(f"Utilization: {summary['average_utilization']:.1%}")

CLIコマンド：

praisonai thinking status      # 現在の予算を表示する
praisonai thinking set high    # 予算レベルを設定する
praisonai thinking stats       # 使用統計を表示する

リンク：

• 📖 コーディングドキュメント
• 📖 CLIドキュメント
• 💻 サンプル

15. 出力スタイル

エージェントが応答をフォーマットする方法を設定します。

from praisonaiagents.output import OutputStyle, OutputFormatter

# プリセットスタイルを使用
style = OutputStyle.concise()
formatter = OutputFormatter(style)

# 出力をフォーマット
text = "# Hello\n\nThis is **bold** text."
plain = formatter.format(text)
print(plain)

CLIコマンド：

praisonai output status        # 現在のスタイルを表示する
praisonai output set concise   # 出力スタイルを設定する

リンク：

• 📖 コーディングドキュメント
• 📖 CLIドキュメント
• 💻 サンプル

16. コンテキスト圧縮

コンテキストウィンドウサイズを自動的に管理します。

from praisonaiagents.compaction import (
    ContextCompactor, CompactionStrategy
)

compactor = ContextCompactor(
    max_tokens=4000,
    strategy=CompactionStrategy.SLIDING,
    preserve_recent=3
)

messages = [...]  # あなたの会話履歴
compacted, result = compactor.compact(messages)

print(f"Compression: {result.compression_ratio:.1%}")

CLIコマンド：

praisonai compaction status        # 設定を表示する
praisonai compaction set sliding   # 戦略を設定する
praisonai compaction stats         # 統計を表示する

リンク：

• 📖 コーディングドキュメント
• 📖 CLIドキュメント
• 💻 サンプル

17. フィールド名の参照 (A-I-G-S)

PraisonAIは、古い (agents.yaml) と新しい (workflow.yaml) の両方のフィールド名を受け入れます。新しいプロジェクトでは、正規名を使用してください。

A-I-G-Sニーモニック - 覚えやすい：

• Agents - 誰が作業を行うか
• Instructions - 彼らがどのように振る舞うか
• Goal - 彼らが達成すること
• Steps - 彼らが行うこと

# クイックリファレンス - 正規形式
name: My Workflow              # ワークフロー名 (topicではない)
agents:                        # エージェントを定義する (rolesではない)
  my_agent:
    role: Job Title            # エージェントの役割
    goal: What to achieve      # エージェントの目標
    instructions: How to act   # エージェントの動作 (backstoryではない)
    
steps:                         # ステップを定義する (tasksではない)
  - agent: my_agent
    action: What to do         # ステップのアクション (descriptionではない)

注意： パーサーは古い名前と新しい名前の両方を受け入れます。praisonai workflow validate <file.yaml>を実行して、正規名の提案を確認してください。

18. ワークフローパターンを持つ拡張agents.yaml

機能同等性： agents.yamlとworkflow.yamlの両方が同じ機能をサポートするようになりました。

• すべてのワークフローパターン (route、parallel、loop、repeat)
• すべてのエージェントフィールド (function_calling_llm、max_rpm、max_execution_time、reflect_llm、templates)
• すべてのステップフィールド (expected_output、context、output_json、create_directory、callback)
• フレームワークサポート (praisonai、crewai、autogen)
• プロセスタイプ (sequential、hierarchical、workflow)

process: workflowを設定することで、agents.yamlで直接高度なワークフローパターンを使用することができます。

# ワークフローパターンを持つagents.yaml
framework: praisonai
process: workflow  # ワークフローモードを