AgentSwarms: エージェントAI学習のための無料ハンズオン・プレイグラウンド

AgentSwarmsは、実際のエージェントを構築することでエージェンティックAIを学べる無料のインタラクティブプレイグラウンドです。ローカルでのセットアップやAPIキーは不要です。エージェントについて読むだけでなく、実際に構築したい開発者向けに設計されています。
カリキュラム概要
5つのトラックに、40以上の詳細なレッスンと30以上の実行可能なエージェントが用意されています。カリキュラムは以下の6つの主要トピックをカバーしています:
- レッスン1 – プロンプトとシステムメッセージ: システムプロンプトがエージェントの性格、役割、制約をどのように形成するか。Few-shotとZero-shotパターン、温度効果についても解説。
- レッスン2 – RAGとナレッジベース: 実際の引用を用いてドキュメントに基づいた回答を提供。検索がファインチューニングよりも事実に優れている理由と、RAGが失敗するケースを説明。
- レッスン3 – ツールと関数呼び出し: エージェントをAPI、MCPサーバー、Webhookに接続。OpenAIのツールコールスキーマ、5分で始めるMCPサーバー、安全で冪等なツールの設計。
- レッスン4 – ガードレールとHITL: 入力/出力フィルター、PII編集、プロンプトインジェクション防御、承認受信箱、コストとレート制限のガードレール。
- レッスン5 – マルチエージェントスワーム: 明示的な引き継ぎと共有メモリを持つ、リサーチャー→ライター→レビュアーのパイプラインを構築。オーケストレーター型とピアツーピア型のパターン。
- レッスン6 – 可観測性と評価: すべてのトークン、ツール呼び出し、費やした金額を検査。実行トレースの読み取り、トークン/レイテンシ/コストのダッシュボード、評価スイートの構築。
使い方
インストール不要、開始にAPIキーは不要。次の4ステップで進めます:
- ライブデモを試す: テンプレート(製品サポート、リサーチアシスタント、コードレビュアー)を選択すれば、すぐに完全に機能するエージェントがプロビジョニングされます。
- ガイド付きツアーに従う: サイドパネルのレッスンと提案されたプロンプトで、RAG、ガードレール、承認のチェックポイントを順に学習。
- フォークして実験する: システムプロンプトを調整し、モデル(AgentSwarms AI、OpenAI、Gemini、Grok、Claude)を切り替え、自分のナレッジベースを接続。
- 自分で構築する: エージェントを構成し、スワームに連鎖させ、可観測性ダッシュボードでトレースを確認。
キーワードチートシート
ソースにはエージェンティックAI用語の用語集が含まれています:
- エージェント: システムプロンプト、ツール、メモリを持つLLM。マルチステップの推論に使用。
- RAG: 関連するドキュメントチャンクをプロンプトに挿入して引用を生成。
- ツール/関数呼び出し: モデルが呼び出せる型付きアクション。
- ガードレール: 入力/出力フィルター(PII、不適切な言葉、コスト上限)。
- HITL: 人間がループ内でリスクのあるアクションを承認。
- MCP: モデルコンテキストプロトコル。ツールやデータを公開するためのもの。
- スワーム: 引き継ぎを持つ複数の特化型エージェント。
- 評価: 精度、形式、安全性、コストをスコアリングするテストスイート。
価格:学習者には永久無料 — クレジットカード不要。学習モード(ゼロセットアップ)は無料、ビルドモードでは自分のAPIキーを使用可能。
📖 全文ソースを読む: HN AI Agents
👀 See Also

ClaudeがAI生成コンテンツをマークする方法:ウォーターマークと開示
Claudeは、AI生成コンテンツに透かしとメタデータを付与し、AI出力の透明性と来歴を確保します。

engram v3.4.0が新しいレート制限下でClaude Codeを稼働し続けるAnthropicプラグインを追加
engram v3.4.0は、Claude Code用の専用Anthropicプラグインを導入し、コスト管理、コンテキストのクエリ、エラーの表示という3つのスキルを追加しました。インストールは「/plugin install engram」または「npm install -g engramx@latest」で行います。

ロブスターケージ:Raspberry PiでOpenClawをセルフホスティングするためのDocker化セキュリティ環境
開発者が、Raspberry Pi上でOpenClawを安全に実行するための、外向きアクセスを制限しプロキシベースのルーティングを備えたDocker Compose環境「Lobster Cage」を構築しました。これは実験用のセキュアな環境です。

ローカルLLMによる自律的コード生成のテスト:品質と速度のベンチマーク
ある開発者が、実際のGoコード生成タスクでローカルLLMをテストするためのハーネスを構築し、コンパイル成功率、フィールド抽出精度、スループットを測定しました。結果は、品質と速度の観点からモデルを比較しています。