Agent

Agentic AI の仕組み — 4層アーキテクチャで理解する「考えて動く AI」の全体像 Ronald van Loon さん（@Ronald_vanLoon）が、@Python_Dv 作成の Agentic AI アーキテクチャ図を共有し、注目を集めています。 How #AgenticAI works https://x.com/Ronald_vanLoon/status/2029305639546060814 このインフォグラフィックは、Agentic AI の動作原理を Input Sources → AI Processing → Action Layer → Output の4層で整理しています。「生成 AI と何が違うのか」「なぜ自律的に動けるのか」を、この4層構造を軸に解説します。 生成 AI と Agentic AI の根本的な違い まず前提を整理します。生成 AI（Generative AI）と Agentic AI は、AI の進化の段階が異なります。 観点 生成 AI Agentic AI 基本動作 プロンプトに対してコンテンツを生成 目標に向かって自律的に行動 姿勢 受動的（聞かれたら答える） 能動的（自分で判断して動く） タスク範囲 1回のやり取りで完結 複数ステップを跨いで継続 外部連携 なし（テキスト入出力のみ） API・ツール・データベースと連携 記憶 セッション内のみ セッション間で永続化可能 自己修正 なし エラーを検知して自動リカバリー IBM は両者の関係を端的にまとめています。「生成 AI は考えて話す。Agentic AI は計画して実行する」。 ...

Agentic AI 学習ロードマップ — 「フルスタックインテリジェンス」を9ヶ月で習得する体系的な道筋 @ingliguori 氏（Giuliano Liguori）のポストが、Agentic AI を学ぶためのロードマップを共有しています。 Roadmap to learn Agentic AI: AI fundamentals → Python + frameworks → LLMs → Agents architecture → Memory + RAG → Planning & decision-making → RL & self-improvement → Deployment → Real-world automation Agentic AI = full-stack intelligence. 「Agentic AI = フルスタックインテリジェンス」というフレーズが示すように、AI エージェントの開発には基礎数学からデプロイまで、フルスタックの知識が求められます。本記事では、このロードマップを複数の学習リソースと照合しながら、各段階で何を学び、どのツールを使い、どこまでを目指すのかを体系的に解説します。 ロードマップの全体像 Liguori 氏が示した9ステップを、Scaler の9ヶ月ロードマップと roadmap.sh の AI Agents ロードマップを参考に、時系列で整理します。 月0-1 AI Fundamentals ← 数学 + ML 基礎 月1-2 Python + Frameworks ← API + ライブラリ 月2-3 LLMs ← Transformer + プロンプト 月3-4 Agents Architecture ← ReAct + ツール使用 月4-5 Memory + RAG ← ベクトル DB + 検索拡張 月5-6 Planning & Decision ← 計画 + マルチエージェント 月6-7 RL & Self-improvement ← フィードバック + 自律性 月7-8 Deployment ← MLOps + 監視 月8-9 Real-world Automation ← ポートフォリオ + 実案件 Step 1: AI Fundamentals（月0-1） 学ぶこと 分野 具体的な内容 線形代数 ベクトル、行列演算、固有値分解、SVD 微積分 勾配、偏微分、最適化 確率・統計 ベイズの定理、分布、仮説検定 ML 基礎 教師あり/なし学習、評価指標 推奨リソース Khan Academy — 数学基礎 “Mathematics for Machine Learning”（書籍） StatQuest — 統計の直感的理解 この段階のゴール 「なぜニューラルネットワークが動くのか」を数学的に説明できること。数式を書ける必要はないが、勾配降下法やベイズ推論の直感を持つことが重要です。 ...

Agentic AI の周期表 — 66 要素で読み解く AI エージェント構築の全体像 @ingliguori（Giuliano Liguori）氏のポストが話題になっています。 Agentic AI now has its own “Periodic Table”. From: LLM, RAG, RL to PLAN, MAS, LTM to SAFE, HUMAN oversight to HR, MKT, LEGAL use cases. Autonomous AI = memory + planning + tools + safety + collaboration. It’s a system, not a prompt. Capital One の Chief Scientist である Prem Natarajan 氏が、AI エージェント構築に必要な 66 の要素を化学の周期表のように体系化した「Agentic AI Periodic Table」を公開しました。LLM や RAG といった基盤技術から、メモリシステム、安全性プロトコル、業務適用まで、エージェント開発の全領域を一枚の表に凝縮しています。 ...

AIVideo Agent — 「動画版 OpenClaw」が24時間コンテンツパイプラインを自律運用する仕組み Hasan Toor 氏（@hasantoxr、フォロワー42万人）が「動画制作の OpenClaw が登場した」と紹介して話題になっています。 BREAKING: The「OpenClaw for video production」just dropped. It’s called AIVideo Agent and it runs your entire content pipeline 24/7 entirely on its own. No API keys. No technical setup. No configuration screens. Just tell it what you want. It ships. ブックマーク 1,949、閲覧数 93,000 超と大きな反響を呼んでいるこの投稿が紹介しているのは、Y Combinator 出身の AIVideo.com が提供する Video Composer Agent です。「API キー不要、技術セットアップ不要、設定画面なし」という訴求は、OpenClaw が「チャットで指示するだけ」でタスクを実行するのと同じ発想を動画制作に持ち込んだものです。 OpenClaw が変えた「エージェント＝非エンジニア向け」の期待値 AIVideo Agent が「OpenClaw for video production」と呼ばれる背景を理解するには、OpenClaw が何を変えたのかを押さえる必要があります。 ...

awesome-claws — OpenClaw エコシステム 28 エージェント完全マップ @tom_doerr 氏が X で紹介した、OpenClaw インスパイアのエージェントキュレーションリストが注目されています。 List of agents for OpenClaw machinae/awesome-claws は、OpenClaw にインスパイアされた 28 の AI エージェントプロジェクトをキュレーションしたリストです。Rust、TypeScript、Python、Go、C、Zig まで、8 言語にまたがるエコシステムが形成されています。 本記事では、GitHub 史上最速で最多スターを獲得した OpenClaw の背景と、そこから派生した 28 エージェントを設計思想別に分類して解説します。 OpenClaw とは何か GitHub 史上最速の成長 OpenClaw は、オーストリアの開発者 Peter Steinberger 氏が開発したオープンソースの自律型 AI エージェントです。 指標 数値 GitHub スター 247,000+（2026 年 3 月時点） 14 日間での獲得スター 190,000（GitHub 史上最速） フォーク数 47,700+ 対応チャネル 20+（WhatsApp、Telegram、Slack 等） AgentSkills 5,700+ 比較として、Kubernetes は約 10 年で 120,000 スター、Linux カーネルは 30 年以上で 195,000 スターです。OpenClaw は 14 日で 190,000 スターを達成し、React を抜いて GitHub 最多スターのソフトウェアプロジェクトになりました。 ...

ClawGTM — OpenClaw を自律型セールスエージェントに変えた「URL 1つで営業パイプライン構築」 Nav Toor さん（@heynavtoor）が、OpenClaw ベースの自律型セールスエージェント ClawGTM を紹介し、大きな反響を呼んでいます。 BREAKING: Someone just turned OpenClaw into an autonomous sales agent. It’s called Claw GTM. Paste your website and it builds your outbound pipeline automatically. https://x.com/heynavtoor/status/2029203769557413922 1,627 いいね・4,307 ブックマーク・227,728 ビューを集めたこのポストが示すのは、AI コーディングエージェントとして知られる OpenClaw を営業自動化に転用した事例です。Web サイトの URL を貼るだけで、理想顧客プロファイルの特定、求人データからの購買シグナル検出、アカウントリサーチ、パーソナライズされたメール・LinkedIn アウトリーチの生成までを約60秒で実行するとされています。 SDR とは何か — AI が置き換えようとしている職種 ClawGTM を理解するには、まず SDR（Sales Development Representative） という職種を知る必要があります。日本語では「インサイドセールス担当」や「営業開発担当者」と訳されます。 SaaS 営業の分業モデル SaaS 企業では、営業プロセスを商談を作る人と商談を閉じる人に分ける分業モデルが広く採用されています。 SDR（営業開発担当） AE（アカウントエグゼクティブ） ┌─────────────────────┐ ┌─────────────────────┐ │ リード発掘 │ │ 商談・提案 │ │ 初期アプローチ │ ──→ │ 契約交渉 │ │ 商談（ミーティング）設定│ │ クロージング（成約） │ └─────────────────────┘ └─────────────────────┘ 「商談を作る」 「商談を閉じる」 SDR の日常業務 業務 内容 所要時間の目安 ターゲットリサーチ 企業情報・担当者の調査、ICP との照合 1日の30〜40% メール作成 パーソナライズされたコールドメールの作成 1日の20〜30% 電話・LinkedIn コールドコール、LinkedIn メッセージ送信 1日の20〜30% フォローアップ 返信対応、ミーティング調整 1日の10〜20% SDR の仕事の大半はリサーチとアウトリーチの繰り返しです。1日に数十件のメールを書き、企業を調べ、LinkedIn でメッセージを送る — この反復的な作業こそ、AI エージェントが自動化しようとしている領域です。 ...

Everything Claude Code — Anthropic ハッカソン優勝者が作った「Claude Code 設定バイブル」の全貌 Ihtesham Ali さん（@ihtesham2005）が、Anthropic ハッカソン優勝者のリポジトリを「Claude Code 設定バイブル」として紹介し、大きな反響を呼んでいます。 Stop building agents from scratch. Anthropic hackathon winner just dropped the complete Claude Code config bible. It got Agents, skills, hooks, commands, rules, MCPs battle-tested over 10+ months. And now has PM2 + multi-agent orchestration with 6 new commands. This single repo replaces 10 different setups. https://x.com/ihtesham2005/status/2029246676339474841 457 いいね・865 ブックマーク・33,579 ビューを集めたこのポストが指すのは、everything-claude-code — GitHub 60,700 スターを獲得した、Claude Code のエージェント・スキル・フック・コマンド・ルール・MCP 設定を一括提供するオープンソースプラグインです。 ...

Felix AI CEO × 人間ゼロの会社が 30 日で売上 1,200 万円、VC を「金の使い道がない」と断った話 @0x__tom 氏のポストが話題になっています。 「OpenClaw が作った会社（人間は 0）」に VC が出資を持ちかけて「金の使い道がない」と断ったとして海外で話題になってる。しかもこの会社、30 日で売上 1,200 万円を叩き出してるらしい。 連続起業家 Nat Eliason が OpenClaw の AI エージェント「Felix」を CEO に任命し、法人 The Masinov Company を設立しました。Nat がやるのはボイスメモを送ることだけ。Felix が判断して実行します。月額コスト約 400 ドル（6 万円）で、30 日間で約 80,000 ドル（1,200 万円）の売上を記録しています。 VC が投資を持ちかけた際、Nat は「金の使い道がない」と答えました。AI エージェントの時代に足りないのは資本ではなく「何をさせるか」のビジョンだ、という指摘です。 Felix とは誰か — Mac Mini 上で動く AI CEO Felix は OpenClaw フレームワーク上で動作する自律型 AI エージェントです。Mac Mini 上でローカルに稼働し、ウェブサイト・メール・Stripe・銀行口座へのフルアクセスを持っています。 The Masinov Company の組織図: Nat Eliason（オーナー） ├── Telegram でボイスメモ送信のみ └── 毎朝の日報レビュー + フィードバック Felix（AI CEO） ├── 商品開発 ├── 戦略立案 ├── 売上管理 ├── X アカウント運営 ├── ブログ管理 └── サブエージェント管理 ├── カスタマーサポート └── 営業 Felix の 1 日 時間帯 活動 早朝 Stripe・サイト統計を確認し日報を作成。次の 5 つの優先事項を Nat に提案 朝 Nat が日報をレビューしフィードバック。Felix が HEARTBEAT スケジュールを調整 日中 メール対応、X 対応、ブログ管理、バグ修正、進行中プロジェクト推進 夜間 新スキル開発、ボトルネック解決、自動化強化の改善サイクル 30 日で 80,000 ドル — 売上の内訳 Felix が生み出した売上の構造を分解します。 ...

130 超の生成 AI アプリを「動かして学ぶ」— gen-ai-experiments リポジトリ完全ガイド @alifcoder 氏が X で紹介した、生成 AI の実践的学習リポジトリが注目を集めています。 Collection of 130+ production-ready Gen AI apps, agents, and experiments. Built with LangChain, RAG, AI Agents, Multi-Agent Teams, and more. buildfastwithai/gen-ai-experiments は、130 を超える本番レベルの生成 AI アプリケーション、エージェント、実験プロジェクトを Jupyter ノートブック形式で集めたリポジトリです。LangChain、RAG、AI エージェント、マルチエージェントシステムなど、2024-2026 年の主要な AI 技術スタックを網羅しています。 本記事では、このリポジトリの構成と活用法、類似リソースとの比較、そして「動かして学ぶ」アプローチの価値を解説します。 なぜ「動かして学ぶ」が重要なのか ドキュメントだけでは身につかない 生成 AI の学習には特有の難しさがあります。 生成 AI 学習の 3 つの壁: 1. API の組み合わせの壁: LLM API 単体は簡単。だが RAG、エージェント、 ツール連携を組み合わせると複雑度が指数的に増加 2. プロンプト設計の壁: 「動くプロンプト」と「良いプロンプト」の差は ドキュメントでは伝わらない。実行して出力を見るしかない 3. 本番品質の壁: デモレベルと本番レベルの間にある エラーハンドリング、レート制限、コスト管理の知識 gen-ai-experiments は、これらの壁を動くコードで越えるアプローチを取っています。631 の Jupyter ノートブックがあり、セルを 1 つずつ実行しながら各技術の仕組みを体験できます。 ...

GitNexus × ゼロサーバーコード知能 — ナレッジグラフで「影響範囲」を可視化する新しいコードリーディング @sukh_saroy 氏が X で紹介した、コードベース全体を知識グラフに変換するツールが注目を集めています。 GitNexus: A zero-server code intelligence engine that transforms your codebase into a navigable knowledge graph. GitNexus は、コードベースをナレッジグラフに変換し、関数の呼び出し関係・継承・インポートの依存を構造的に把握できるコード知能エンジンです。サーバー不要で完全にローカル実行でき、Claude Code や Cursor などの AI コーディングツールと MCP（Model Context Protocol）で連携します。 本記事では、GitNexus の仕組み、従来のコード検索との違い、そして AI エージェント時代に「コードの影響範囲を知る」ことがなぜ重要かを解説します。 従来のコード検索の限界 grep/ripgrep では見えないもの エンジニアがコードベースを理解する方法は、長い間「テキスト検索」が中心でした。 従来のコード理解の方法: grep / ripgrep: ├── 文字列の一致を検索 ├── ファイル横断で高速 └── 限界: 「この関数を変更したら何が壊れるか」は分からない IDE の「参照を検索」: ├── シンボルの参照箇所を表示 ├── 型情報を活用 └── 限界: 間接的な依存（A→B→C）は追いきれない 手動でコードを読む: ├── 最も確実だが最も遅い └── 限界: 大規模コードベースでは現実的でない これらの方法に共通する問題は、コードの「関係性」が見えないことです。「この関数を呼んでいる場所」は分かっても、「この関数を変更したときの影響が最終的にどこまで波及するか」は分かりません。 AI コーディングツールの盲点 Claude Code や Cursor などの AI コーディングツールは、コードベースを理解する能力が飛躍的に向上しました。しかし、根本的な制約があります。 ...