coleam00/ottomator-agents

⭐ 2,394 🍴 1,079 Python📄 MIT License GitHubで見る →

主な特徴

30以上の実用的なAIエージェントサンプル
複数の実装パターン（n8n、Python、Voiceflow）をサポート
プロダクションレディな実装例（エラーハンドリング、監視機能付き）
知識グラフやコンテキスト検索などの高度な機能
活発なコミュニティとドキュメント

リポジトリ解析: coleam00/ottomator-agents

基本情報

リポジトリ名: coleam00/ottomator-agents
主要言語: Python
スター数: 2,394
フォーク数: 1,079
最終更新: 2025年6月（活発に更新中）
ライセンス: MIT License
トピックス: AI Agents, oTTomator Live Agent Studio, n8n, RAG, Knowledge Graphs, LLM

概要

一言で言うと

oTTomator Live Agent Studioプラットフォーム上でホストされるオープンソースAIエージェントのコレクション。様々な実装パターンと実用的なAIエージェントのサンプルを提供。

詳細説明

ottomator-agentsは、Cole Medin氏が開発したAIエージェントのプラットフォームで、開発者がAIエージェントを学習、構築、デプロイできる包括的なエコシステムを提供します。n8nワークフロー、Python/FastAPI、Voiceflowなど複数の実装方法をサポートし、RAG（Retrieval Augmented Generation）、知識グラフ、コンテキスト検索など最新のAI技術を実装したエージェントが含まれています。

主な特徴

30以上の実用的なAIエージェントサンプル
複数の実装パターン（n8n、Python、Voiceflow）をサポート
プロダクションレディな実装例（エラーハンドリング、監視機能付き）
知識グラフやコンテキスト検索などの高度な機能
活発なコミュニティとドキュメント

使用方法

インストール

前提条件

Python 3.8以上（Pythonエージェントの場合）
Node.js（n8nエージェントの場合）
Docker（コンテナ化デプロイの場合）
Supabaseアカウント（データ永続化が必要な場合）

インストール手順

# 方法1: リポジトリのクローン
git clone https://github.com/coleam00/ottomator-agents.git
cd ottomator-agents

# 方法2: 特定のエージェントの使用（例：Python Local AI Agent）
cd python-local-ai-agent/
pip install -r requirements.txt
python main.py

基本的な使い方

Hello World相当の例

# Sample Python Agent
import requests

# エージェントへのリクエスト
response = requests.post("http://localhost:8000/chat", json={
    "query": "Hello, AI Agent!",
    "user_id": "user123",
    "request_id": "req123",
    "session_id": "session123"
})

print(response.json()["response"])

実践的な使用例

# RAG エージェントの使用例
from foundational_rag_agent import RAGAgent

# エージェントの初期化
agent = RAGAgent(
    llm_provider="openai",
    embedding_model="text-embedding-3-small",
    database_url="postgresql://user:pass@localhost/rag_db"
)

# ドキュメントの追加
agent.ingest_document("path/to/document.pdf")

# 質問応答
response = agent.query("What are the key features of the product?")
print(response)

高度な使い方

// n8n Agentic RAG Agentワークフローの例
{
  "nodes": [
    {
      "name": "Document Processor",
      "type": "documentProcessor",
      "parameters": {
        "chunkSize": 1000,
        "overlap": 200,
        "enableContextualRetrieval": true
      }
    },
    {
      "name": "Knowledge Graph Builder",
      "type": "knowledgeGraph",
      "parameters": {
        "graphDatabase": "neo4j",
        "extractEntities": true,
        "buildRelationships": true
      }
    }
  ]
}

ドキュメント・リソース

公式ドキュメント

README.md: プロジェクト概要とクイックスタートガイド
各エージェントのREADME.md: 個別エージェントの詳細説明と使用方法
公式ガイド: https://studio.ottomator.ai/guide
コミュニティフォーラム: https://thinktank.ottomator.ai

サンプル・デモ

foundational-rag-agent/: 基本的なRAG実装のサンプル
agentic-rag-knowledge-graph/: 知識グラフを活用した高度なRAG
n8n-agentic-rag-agent/: n8nワークフローベースのRAG実装
pydantic-ai-advanced-researcher/: Pydantic AIを使用した研究エージェント

チュートリアル・ガイド

YouTubeチャンネルでのビデオチュートリアル
各エージェントフォルダ内のドキュメント
コミュニティフォーラムでのディスカッション
公式ガイドでのステップバイステップ説明

技術的詳細

アーキテクチャ

全体構造

エージェントは3つの主要な実装パターンをサポート：

n8nワークフロー: ビジュアルワークフロービルダーを使用したノーコード/ローコード実装
Python/FastAPI: プログラマティックなコントロールが必要な場合の実装
Voiceflow: Dialog APIを通じた直接統合

各エージェントは共通のI/Oフォーマットに従い、プラットフォーム上で統一的に動作します。

ディレクトリ構成

ottomator-agents/
├── ~sample-n8n-agent~/        # n8nエージェントのテンプレート
├── ~sample-python-agent~/     # Pythonエージェントのテンプレート
├── foundational-rag-agent/    # 基本的なRAG実装
│   ├── agent/                 # エージェントコア
│   ├── database/              # データベース設定
│   ├── document_processing/   # ドキュメント処理
│   └── ui/                    # Streamlit UI
├── agentic-rag-knowledge-graph/  # 高度なRAG実装
│   ├── agent/                 # エージェントロジック
│   ├── ingestion/             # データ取り込み
│   └── sql/                   # スキーマ定義
└── [その他30以上のエージェント]

主要コンポーネント

エージェントコア: リクエスト処理とレスポンス生成
- 場所: [agent-name]/agent.py または main.py
- 依存: LLMプロバイダー、データベース、埋め込みモデル
- インターフェース: POST /chat エンドポイント
ドキュメント処理: PDFやテキストファイルの処理
- 場所: document_processing/ ディレクトリ
- 機能: チャンキング、埋め込み生成、メタデータ抽出
知識グラフ: エンティティと関係性の管理
- 場所: graph_utils.py または graph_builder.py
- 統合: Neo4j、Graphiti

技術スタック

コア技術

言語: Python 3.8+（主要）、JavaScript/TypeScript（n8n、UI）
フレームワーク:
- FastAPI（APIサーバー）
- Streamlit（UI）
- n8n（ワークフロー自動化）
主要ライブラリ:
- langchain: LLMオーケストレーション
- chromadb/pgvector: ベクトルデータベース
- neo4j: 知識グラフ
- pydantic: データバリデーション

開発・運用ツール

ビルドツール: Docker、pip、npm
テスト: pytest、テストカバレッジ監視
CI/CD: GitHub Actions（一部のエージェント）
デプロイ: Docker、Render、Railway対応

設計パターン・手法

RAG（Retrieval Augmented Generation）: 外部知識を活用した回答生成
知識グラフ: エンティティと関係性を使った高度なコンテキスト理解
コンテキスト検索: Anthropicの手法を実装し、検索精度を大幅に向上
ストリーミングレスポンス: Server-Sent Eventsを使用したリアルタイム応答

データフロー・処理フロー

ユーザーリクエスト受信（query, user_id, request_id, session_id）
セッション履歴の取得（該当する場合）
ドキュメント検索/知識グラフクエリ
LLMによる回答生成
レスポンスのストリーミング/JSON返却
使用トークンの記録

API・インターフェース

公開API

チャットエンドポイント

目的: エージェントとの対話
使用例:

# POSTリクエスト
{
    "query": "Explain quantum computing",
    "user_id": "user_123",
    "request_id": "req_456",
    "session_id": "session_789"
}

# レスポンス
{
    "response": "Quantum computing is...",
    "extra_data": {
        "sources": ["doc1.pdf", "doc2.pdf"],
        "confidence": 0.95
    }
}

設定・カスタマイズ

設定ファイル

# .env ファイルの例
OPENAI_API_KEY=your_api_key
SUPABASE_URL=your_supabase_url
SUPABASE_KEY=your_supabase_key
EMBEDDING_MODEL=text-embedding-3-small
LLM_MODEL=gpt-4

拡張・プラグイン開発

エージェントの拡張は以下の方法で可能：

カスタムツールの追加
新しいLLMプロバイダーの統合
独自のドキュメントプロセッサーの実装
フロントエンドコンポーネントのカスタマイズ

パフォーマンス・スケーラビリティ

パフォーマンス特性

ベクトル検索: ミリ秒単位の高速検索
知識グラフクエリ: 複雑な関係性も高速に処理
ストリーミング: 最初のトークンまで1秒以内

スケーラビリティ

水平スケーリング対応（ステートレス設計）
データベース接続プーリング
非同期処理によるスループット向上

制限事項

ベータ版のため、高負荷時にレスポンスが遅くなる可能性
トークンベースの課金システム
入出力フォーマットが固定

評価・所感

技術的評価

強み

実践的で即座に使用可能なエージェント例が豊富
最新のAI技術（知識グラフ、コンテキスト検索）を実装
複数の実装パターンで様々なニーズに対応
活発な開発とコミュニティサポート
優れたドキュメントと学習リソース

改善の余地

パフォーマンス最適化の余地（ベータ版）
より多様なストレージバックエンドのサポート
エンタープライズ向け機能の充実

向いている用途

AIエージェント開発の学習と実験
RAGシステムの構築
カスタマーサポートボット
知識管理システム
研究・分析ツール

向いていない用途

超低レイテンシが要求されるリアルタイムシステム
完全にオフラインでの動作が必要なシステム
極めて大規模なエンタープライズ導入（現時点では）

総評

ottomator-agentsは、AIエージェント開発の優れた学習プラットフォームであり、同時に実用的なソリューションも提供しています。豊富な実装例、最新技術の採用、活発なコミュニティにより、AI開発者にとって価値の高いリソースとなっています。特に、RAGや知識グラフを活用した高度なAIエージェントを構築したい開発者にとって、理想的な出発点となるでしょう。