all-agentic-architectures: 統一された API と比較ベンチマークを備えた 35 の実務レベルエージェント AI パターンのライブラリ

解決する課題

このプロジェクトは、エージェント AI パターンを実装するための統一された Python ライブラリと教育リソースを提供します。文献から複雑なエージェントアーキテクチャを手動で実装する必要をなくし、35 の実務レベルパターンを一貫した API で提供することで、特定のタスクに対して異なるエージェント戦略を簡単に入れ替え・比較できるようにします。

仕組み

LangGraph のステートマシン上に構築されており、ライブラリは各エージェントパターンを実行可能な Architecture クラスとしてパッケージ化します。"deterministic-picker pattern" を使用して、LLM-as-Scorer が自由文ではなくブールや列挙型といったカテゴリカルな特徴にコミットするようにし、最終的な意思決定ロジックを Python が処理できるようにします。ライブラリはプロバイダーに依存せず、Nebius、OpenAI、Anthropic、Groq など複数の LLM プロバイダーを単一の環境変数で切り替えて利用できます。

対象者

エージェントアーキテクチャ（例: Reflection、ReAct、GraphRAG）を実装・テスト・ベンチマークしたい AI 開発者・研究者、そしてこれらのパターンを "実行可能な教科書" として学びたいエージェント AI の学生向けです。

ハイライト

• 35 の実務レベルアーキテクチャ: 推論・リフレクション、サンプリング・検索、RAG、メモリ、ツール・アクション、マルチエージェントシステムを網羅。
• Deterministic-Picker ディシプリン: カテゴリカルなコミットメントを用いることで、LLM スコアリングにおける "flat-band pathology" を回避する技術的アプローチ。
• マルチプロバイダーサポート: コードを変更せずに 9 種類の LLM プロバイダー間をシームレスに切り替え可能。
• 比較ベンチマーク: 17 タスクのスイートを含み、各タスクに対するアーキテクチャの順位付けが可能。
• 実世界のエビデンス: 各パターンには、実際に取得した LLM 出力に基づく理論を記述した Jupyter ノートブックが付属。