Kodosumi
Masumi Network (NMKR) · コーディング
Kodosumiは、AIエージェントサービスを本番環境で動かすオープンソースのPython実行環境だ。Ray Serve上に構築し、デプロイ、スケール、監視を担う。
Kodosumi について
What Is Kodosumi
Kodosumiは、AIエージェントをノートPC上のデモではなく本物のサービスとして動かしたい開発者向けのフレームワークだ。Pythonでエージェントの関数を書き、1つのYAMLファイルに記述すれば、あとはフレームワークが引き受ける。HTTPエンドポイントに変換し、処理をRayクラスタへ分散し、実行のたびに記録を残す。Masumi Networkのチームが開発し、Apache 2.0ライセンスで公開している。
埋めるのは、動くプロトタイプと、実際のトラフィックに耐えるエージェントの間にある溝だ。エージェントは数分から数時間かかることがあり、リクエストが集中するとすぐに詰まる。KodosumiはスケジューリングをRayに任せるので、処理はマシンをまたいで広がり、負荷が跳ね上がっても動き続ける。管理パネルも同梱しており、多くのエージェントコードが抜けがちな部分を補う。各実行のタイムライン、エラー追跡、分析ビューがそれにあたる。
見ておくべき制約もある。開発者向けのツールなので、Pythonの知識とクラスタへの多少の慣れが要る。有料の部分はCardano上のMasumiプロトコルに結びついており、エージェントへのアクセスを課金する予定がなければ関係は薄い。そしてフレームワークに依存しない設計のぶん、本来自分で書くエージェントのロジックは提供してくれない。
Getting Started
pip install kodosumiでパッケージを入れ、ray start --headでRayのヘッドノードを起動する。- Pythonでエージェントの関数を書き、
@app.enterデコレータでエントリーポイントを登録する。 koco serveで管理パネルを開き、serve runでアプリをRayにデプロイする。- 管理パネルでExposeの項目を作り、Bootを押して設定済みのエージェントを公開する。
- TimelineとAnalyticsのパネルで各実行を追い、そこから調整する。
AIツール情報
Kodosumiの料金、対応プラットフォーム、性能を簡単に確認できます。
こんな人におすすめ
このツールが最も力を発揮するユーザー、タスク、シーン。
ユーザー
- AI開発者：エージェントのスクリプトを、スケジューリングや再試行、ログを備えたサービスに変えたい人。すでにPythonで開発している前提だ。
- バックエンド・プラットフォーム担当：マネージドのエージェント基盤を借りるのではなく、自前のRayクラスタで実行環境を運用したいチーム。
- 課金型のエージェントサービスを作るチーム：成果ごとに課金する前提で、Masumiの決済レイヤーを最初から組み込みたい開発者。
- オープンソースを重んじる現場：コードを読み、部品を差し替え、特定ベンダーへの囲い込みを避けたいチーム。
タスク
- エージェントをエンドポイントとして公開する：Pythonの関数を包み、利用者がフォームと送信ボタンでHTTP越しに呼び出せるようにする。
- 長時間の処理をスケールさせる：数分から数時間かかるワークフローを、需要に応じて伸びるクラスタへ分散する。
- エージェントの実行を監視する：各実行のタイムラインを追い、同梱のパネルから失敗を拾い上げる。
- 人を挟む工程をさばく：ロックとリースの仕組みでエージェントを一時停止し、人の判断に渡してから再開する。
- エージェントの利用を課金する：Masumi経由で成果を販売するエージェントについて、売上と失敗を追跡する。
シーン
- デモをサービスにしたい場面：ノートブックで1度だけ動くエージェントがあり、実際の利用者向けに動かす必要が出てきたとき。
- 断続的なトラフィック：普段は静かだが、まとめて大量のリクエストが押し寄せるサービス。ここでは待ち行列と自動スケールが効いてくる。
- 長時間の調査処理：通常のWebリクエストよりずっと長く、単一のブロッキング呼び出しには収まらない作業。
- セルフホストの構成：データもモデルも外部基盤に渡さず、自前のハードウェアでエージェントを動かしたいチーム。
- エージェントの成果を課金する場面：有料のエージェントを公開し、決済と利用量を自前で作らずに記録したい作り手。
主な機能
Ray Serveによる分散実行
KodosumiはエージェントをRay Serve上で動かす。大規模な本番処理を支えるのと同じスケジューリング層だ。アプリはノートPCで起動し、あとからクラスタ全体へ広がる。エージェントのロジックを書き直す必要はない。処理が長引くときや波のように押し寄せるときに効くのは、Rayが各処理を空いたworkerに載せ、1つのプロセスを塞がないからだ。
タイムラインと分析を備えた管理パネル
管理パネルは、多くのエージェントフレームワークが省いてしまう部分だ。登録したサービスを一覧し、各実行のタイムラインを表示し、エラーが起きたその場で記録する。分析ビューが処理量と失敗件数を補い、別のダッシュボードがMasumiの売上を追う。自前のログ基盤を先に組まなくても、運用の全体像が手に入る。
フレームワークに依存しないエージェント連携
Kodosumiは、エージェントの作り方を自前の流儀に合わせろとは求めない。すでに使っているものを包む。素のPython関数でも、CrewAIのチームでも、セルフホストのモデルへの呼び出しでも構わない。エージェントのロジックに踏み込まないので、手持ちのツールを保ち、あとからモデルやライブラリを差し替えてもフレームワークには手を触れずに済む。
宣言的なフォームとファイル転送
エージェントが必要とする入力を、いくつかのフォーム項目で記述する。するとフレームワークがHTMLを描画し、入力はブラウザ側で検証される。ファイルの送受信にも対応し、アップロードとダウンロードは分割転送で扱う。素の関数が、非開発者でも扱えるページに変わる。
人を挟むワークフロー
処理によっては、途中に人が要る。Kodosumiはロックとリースの仕組みを用意し、エージェントを止めて人の判断や修正に渡し、そのあと実行を再開する。レビュー工程、承認、機微なデータを扱うエージェントにとって、足りなかったのはこの部分だ。
Masumi決済とMIP-003プロトコル
サービスとして販売するエージェント向けに、KodosumiはCardano上のMasumi決済システムに接続し、発見とジョブ管理のためのMIP-003プロトコルを話す。売上と失敗を追う決済ダッシュボードがあるので、課金レイヤーを手作業で組まなくても、エージェントは成果ごとに請求できる。
メリットとデメリット
メリット
- Apache 2.0の無料オープンソースで、読む、フォークする、自前で運用するが自由にできる
- Ray上に構築され、長時間の処理も急なトラフィックの山もこなす
- 監視、タイムライン、分析が同梱され、自前の仕組みを待たなくてよい
- フレームワークに依存せず、すでに使っているエージェントのツールを包める
- Masumi経由でアクセスを販売する人向けに、決済と発見の仕組みが組み込み済み
デメリット
- 開発者向けのツールで、コードを書かない人には使う道がない
- 使いこなすにはRayクラスタの運用と調整が要り、これは実際に手間のかかる仕事だ
- 課金と売上追跡の部分はMasumiプロトコルとCardanoに縛られ、別の請求体制のチームには合わない
- すでに定着したエージェント基盤に比べ、ドキュメントとコミュニティはまだ若い
よくある質問
KodosumiはAIエージェントを本番のサービスとして動かす。Pythonでエージェントを書き、設定ファイルに記述すると、フレームワークが監視付きのスケール可能なエンドポイントに変える。1度だけ動くスクリプトのままにはしない。
関連コンテンツ
Kodosumiに関連するツール、スキル、記事を探す。
Kodosumiの代替ツール
Forefront
Forefront · コーディングForefrontはオープンソースAIで構築するためのウェブプラットフォームだ。主要なオープンソース言語モデルを自分のデータで微調整し、性能を評価し、API経由で実行したり、エクスポートして自分でホストしたりできる。クローズドなプラットフォームの手軽さを求めつつ、モデルとデータの所有権にはこだわる開発者が対象だ。
Startkit
StartKit.AI · コーディングStartkitは、AI SaaSとAIラッパー製品を作るためのボイラープレートだ。面倒な部分をあらかじめ配線済みにしたAIスタートアップボイラープレートと考えればいい。認証、StripeとLemon Squeezyの決済、利用制限、トランザクションメール、そしてOpenAI、Anthropic、Groq、Llamaと通信するAI APIスターターキットが含まれる。リポジトリをクローンして価格を設定し、ユーザーが実際にお金を払う部分に取りかかれる。ReactとTailwind上のNext.jsで作られているため、ボイラープレートコードの多くはすでに見慣れたものだ。
Testim
Tricentis · コーディングTestimは、Web・モバイル・Salesforceアプリ向けにエンドツーエンドテストを構築して実行するAIテスト自動化プラットフォームだ。機械学習を頼りに、インターフェースが変わってもテストを安定させ、チームが壊れたセレクターの修正に費やす時間を減らす。今日から使い始められる自動テストツールとしては悪くない。ブラウザで操作を録画してテストを作り、より細かい制御が必要なときはJavaScriptを足す。忙しいQAチームにとって堅実な選択肢である。