Ollamaでラクして色んなモデルに触れてきたけど 結局Qwen3.6 35B A3BかGemma4 26Bかに落ち着いてきた気がするからそろそろllama.cppに移行したい気がするんだけどあれゲロ面倒くさくない？

# Weaviateの機能と実践的な使い方 🚀 埋め込みAPIの呼び出しコードをアプリから消したいと思ったことはありませんか。Weaviateのモデルプロバイダ統合を使えば、ベクトル化も生成もリランクも、コレクション設定に書くだけで自動的に動きます。 📌 タイトルと機能のURL タイトル: Model provider integrations URL: 📝 概要 Weaviateは、OpenAI・Cohere・Google・AWS・Azure OpenAI・Mistral・Anthropic・Hugging Face・Ollama など20以上のモデルプロバイダと統合しています。これらを「投入時の自動埋め込み」「クエリ文の自動埋め込み」「RAGの生成」「検索結果のリランク」に組み込めます。アプリ側で埋め込みAPIを呼んでベクトルを渡すコードが不要になるのが最大の利点です。 🔧 機能の説明 統合は大きく次の3つの役割に分かれます。 ・Vectorizer（埋め込み）: テキストやマルチモーダルのベクトル化を担当します。 ・Generative（生成）: RAGパイプライン向けのテキスト生成を担当します。 ・Reranker（リランク）: 検索結果の並べ替えを担当します（Cohere、Jina AI、NVIDIA、Voyage AI などが提供）。 提供形態も2種類あります。API型プロバイダ（OpenAI、Google、Cohere、AWS Bedrock など）は外部APIを呼び出し、ローカルホスト型（Ollama、Hugging Face Transformers、Model2vec）は自分のインフラ上で動かします。API型モジュールは v1.33 以降は既定で有効です。 🛠 実践的な使い方 ・コレクション作成時に `Configure.Vectors`（旧 `Configure.Vectorizer`）で埋め込みプロバイダを指定すると、投入時もクエリ時も自動でベクトル化されます。 ・生成は `Configure.Generative` でプロバイダを指定し、検索結果に対してRAGを実行します。 ・リランカーは `Configure.Reranker` で指定します。 ・自動ベクトル化の対象は `text` / `text[]` 型のプロパティで、プロパティ名をアルファベット順に並べて連結し、必要に応じてコレクション名を先頭に付けてからモデルに送ります（プロパティ単位で対象外にも設定可能）。 🎯 ユースケース ・社内文書検索: 投入時に本文を自動でベクトル化し、検索時はクエリ文を同じモデルで自動ベクトル化して整合させます。 ・モデルの差し替え: ベンダーやモデルを変えたいとき、コレクション設定の変更だけで対応できます。 ・閉域要件: Ollama などローカルホスト型を使えば、データを外部に出さずに埋め込み生成まで完結します。 ・RAGチャット: 検索と生成を同一の設定内で組み合わせ、外部のオーケストレーションを最小化できます。 ⚠️ 注意点 ・API型プロバイダはAPIキーが必須で、利用に応じた課金が発生します。 ・レート制限は各プロバイダのポリシーに従います。大量投入時は注意が必要です。 ・v1.27 より前のバージョンでは、連結した文字列が小文字化されてからモデルに送られます。 ・v1.33 より前ではAPI型モジュールを使うため `ENABLE_API_BASED_MODULES` を有効化する必要があります。 #Weaviate# #Embeddings#

🕸 テキストを「概念のグラフ」に変えて、ベクトルDBの代わりにRAGの検索器として使う。ローカル完結で試せるOSSです。 タイトル: rahulnyk/knowledge_graph URL: 🔍 概要 非構造テキストから、固有表現ではなく「概念」とその関係を抽出して知識グラフを作るプロジェクトです。Graph-Augmented Generation（GRAG）や知識ベースQAに使えます。 🧩 解決する課題 従来のテキスト解析は、概念どうしの絡み合いや隠れたつながりを捉えにくい問題がありました。意味を保ったまま問い合わせできるグラフにすることで、深い文書理解を可能にします。 🛠 方法論と提案手法 6ステップ（クリーニング→概念抽出→関係抽出→スキーマ化→ノード/エッジ生成→可視化）で構築。エッジは2種の重みを持ち、W1はLLMが抽出した明示関係、W2は同一チャンク共起。次数とコミュニティでノードの大きさと色を決めます。 💻 技術スタック ・LLM: Mistral 7B OpenOrca（GPT API不要） ・サービング: Ollamaでローカル完結 ・グラフ: NetworkX、可視化: Pyvis、データ: Pandas 🎯 ユースケース ベクトルDBの代わりにグラフを検索器に使うGraph RAG、隠れた関連の発見、中心性分析、コミュニティ検出など。 #KnowledgeGraph# #GraphRAG#

📚 ReActもRAGもTree of Thoughtsも、論文ごとにバラバラだったエージェント設計を、同じAPIで動かして比較できたら最高だと思いませんか？それを実現した「35パターン全部入り」のリポジトリです。 タイトル: FareedKhan-dev/all-agentic-architectures URL: 📦 概要 本リポジトリは、プロダクション品質のエージェントAIパターンを35種類実装したPythonライブラリ兼「生きた教科書」です。すべてのアーキテクチャが同じ.run(task)メソッドを持ち、同一形式の結果を返すため、下流のコードを変えずにパターンを差し替えられます。 ❓ 解決する課題 エージェントの設計パターンは論文ごとに散らばっていて、実装も様式もバラバラでした。これを統一インターフェースの下に集約し、横並びで試せるようにしたのが最大の価値です。 💡 中核の工夫と提案手法 中心にあるのが「決定論的ピッカーの規律」です。 ・LLMのスコアリングに丸投げせず、まずLLMに真偽値や列挙型などカテゴリ的な特徴をコミットさせる ・最終判断はPythonのロジックで合成する これにより、スコアが平坦に潰れる「LLM-as-Scorer」の病理を緩和します。35アーキテクチャ中13で採用されています。 🎯 カバー範囲とユースケース 推論・内省（Reflection、Self-Discover）、探索（Tree of Thoughts、LATS）、RAG（Corrective/Self/Adaptive/GraphRAG）、メモリ（MemGPT、Voyager）、ツール・行動（ReAct、SWE-Agent）、マルチエージェント（Debate、STORM）など8系統を網羅。各パターンに実行済みのJupyterノートブックが付き、本物のLLM出力に基づく再現可能なリファレンスになっています。 📊 注目ポイント ・コアはLangGraph。NebiusやOpenAI、Anthropic、Ollamaなど主要プロバイダーに対応し、切り替えは環境変数1つ ・pytestで283件のテストがパス ・17タスクのベンチマークで直近42問中33問正解（成功率78%）。ReflectionやSelf-Consistencyが好成績でした #AIエージェント# #LangGraph#

🦈 そのプレスリリース、世に出す前に「数百人の世論」にぶつけてみませんか？1ドル・10分で群衆の反応をまるごとシミュレートする、ちょっと未来的なエンジンが登場しました。 タイトル: aaronjmars/MiroShark URL: 📦 概要 MiroSharkは「ユニバーサル群知能エンジン」です。プレスリリースやニュース、政策草案、質問など任意のシナリオに対し、数百のAIエージェントがリアルタイムにどう反応するかをシミュレートします。エージェントは投稿し、議論し、取引し、時間の経過とともに立場を変えていきます。 ❓ 解決する課題 施策や発表にリソースを投じる前に、現実の世論がどう受け止めるかを検証したい。MiroSharkは、長時間のフォーカスグループや高額な市場調査を不要にし、1ドル以下・10分未満での検証を可能にします。 💡 仕組みと提案手法 動作は5フェーズです。 ・入力ドキュメントからオントロジーを生成 ・エンティティ関係を持つNeo4jナレッジグラフを構築 ・人口統計やWeb情報、グラフ属性で100体以上のペルソナを基礎付け ・Twitter・Reddit・予測市場をまたいで1時間単位で相互作用 ・実際の投稿や取引を引用したレポートを生成 投稿はNER・埋め込み・エンティティ解決で取り込み、ベクトル＋BM25＋グラフ走査を融合して検索します。 🎯 ユースケース ・PR炎上のテストや市場反応の予測 ・広告キャンペーンの事前検証や政策インパクト分析 ・個人の意思決定シナリオや歴史の反実仮想 実行中に速報ニュースを割り込ませたり、途中で分岐（反実仮想ブランチング）させたりもできます。 📊 注目ポイント ・GitHubで1.3kスター・265フォーク、AGPL-3.0ライセンス ・1回のシミュレーションは約1ドル・約10分・100体以上のエージェント ・バックエンドはPython、フロントはVue.js、DBはNeo4j。LLMはOpenRouter（ローカルOllamaにも対応） #AIエージェント# #シミュレーション#

AIエージェントの回答を「検証可能で説明できる事実」に根拠づける——ナレッジグラフ＋GraphRAG＋エージェントのフルスタックをまるごとオープンソースで提供する基盤です🕸️ タイトル: trustgraph-ai/trustgraph URL: 🕸️ 概要 AIエージェントのためのオープンソースのセマンティック・デプロイメント基盤です。コアは「コンテキストグラフ」（ドメイン知識を構造化しクエリ可能にした表現）。コンテキストグラフ・メモリ・検索・オーケストレーション・推論を、決定論的なエージェント向けにフルスタックで提供します。 ❓ 解決する課題 LLM単体では、なぜその答えになったのかを辿りにくく、ハルシネーションのリスクもあります。 ・エージェントの回答を、検証可能で説明可能な事実に根拠づけるのが難しい ・TrustGraphはナレッジグラフ構築とGraphRAGを組み合わせ、意味的に豊かで検証可能なコンテキストにアクセスできるようにします ・しかも主権的に管理できるプライベート環境で実現します 💡 主な特徴 ・マルチモデルDB（表・KV・ドキュメント・グラフ・ベクトル）とマルチモーダル対応、エンティティ/関係の自動抽出 ・DocumentRAG・GraphRAG・OntologyRAGのパイプラインと、3D GraphVizによる可視化 ・単一/マルチエージェント、ReAct・Plan-then-Execute・Supervisorパターン、MCP統合 ・Context Cores：スキーマ・グラフ・埋め込み・エビデンス・検索ポリシーを束ね、コンテキストをコードのようにバージョン管理 🌍 技術スタック / 使い方 ストレージはCassandra・Qdrant・Garage、メッセージングはPulsar等、LLMはAnthropic/OpenAI/Google等＋ローカル推論（vLLM/Ollama等）に対応。npx @trustgraph/configで構成し、ポート8888のUIから利用できます。Apache 2.0ライセンスです。 #GraphRAG# #ナレッジグラフ#

OpenAIもAnthropicもGoogleも、モデル名を1行変えるだけで切り替え——プロバイダーごとのSDKを覚える苦労を消すライブラリです🔌 タイトル: andrewyng/aisuite URL: 🔌 概要 Andrew Ng氏による軽量なPythonライブラリです。複数のLLMプロバイダーを、統一されたOpenAIスタイルのインターフェースで呼び出せます。モデル名を「provider:model-name」の形式で指定するだけで、同じコードのまま各社を横断できます。 ❓ 解決する課題 複数のLLMプロバイダーを使い分けると、それぞれ異なるSDK・API・パラメータ構造を覚える必要があり、開発の摩擦になります。 ・aisuiteはこの断片化問題を解決します ・リクエストとレスポンスを標準化し、SDKの差異ではなくロジックに集中できるようにします 💡 主な機能 ・Chat Completions API：プロバイダー非依存の層（temperature・max_tokens・toolsに対応） ・Agents API：ツール処理・状態永続化・ツールポリシーによるガバナンスを備えた構造化エージェント ・Toolkits：ファイル・git・シェル操作の事前サンドボックス化ツール群 ・MCPサポート：任意のMCPサーバーのツールをネイティブに利用 ・OpenCoworker：aisuite上に構築されたデスクトップAIエージェントアプリ 仕組みはプロバイダーアダプタパターンで、命名規約に従いモデル文字列から自動発見・生成します。 🌍 対応プロバイダー / 使い方 OpenAI・Anthropic・Google・Mistral・Hugging Face・AWS・Cohere・Ollama・OpenRouterなどに対応（拡張可能）。ai.Client()を作り、model="openai:gpt-4o"のように呼ぶだけで、切り替えはモデル文字列の変更のみ。ライセンスはMITです。 #LLM# #オープンソース#

🦢 コード補完で終わらない、ローカル実行の汎用AIエージェント。Rust製でデスクトップ・CLI・APIから使え、GitHubスター48.9kのGooseがLinux Foundation傘下になりました。 タイトル: aaif-goose/goose URL: 📦 概要 Gooseは、任意のLLMでインストール・実行・編集・テストまで行う汎用AIエージェントです。Rustで書かれ、macOS/Linux/Windowsでローカルに動作し、デスクトップGUI・CLI・組み込みAPIの3つの入り口を持ちます。 ❓ 解決する課題 従来のコーディングアシスタントは「コードの提案」に閉じがちでした。Gooseはこれを越え、調査・執筆・自動化・データ分析・日常の生産性まで、エージェントが実際に環境を操作して幅広いタスクをこなします。 🛠 機能の説明 ・15以上のLLMプロバイダ（Anthropic、OpenAI、Google、Ollama、OpenRouter、Azure、Bedrockなど）に対応します ・API キーに加え、既存サブスクリプション（ACP経由）でも認証できます ・オープン標準のMCP（Model Context Protocol）で70以上の外部ツールと接続します ・コードベースの64.4%がRustで、UIはTypeScript中心です 🎯 ユースケース IDEやコード提案に縛られず、ターミナル・デスクトップ・API埋め込みのどこからでもエージェントを呼べます。自動化やデータ分析など、日常ワークフローへAIエージェントを組み込みたい場面に向きます。 📊 実績 ・GitHubスター48.9k、フォーク5.2kという強い採用 ・もともとblock組織のプロジェクトでしたが、Linux FoundationのAgentic AI Foundation（AAIF）へ移管されました ベンダー中立なオープンエージェント基盤としての位置づけが強まっています。 #AIエージェント# #OpenSource#