ruvnet/agentic-flow

What it solves

Agentic-Flow は本番環境対応の AI エージェントオーケストレーションフレームワークです。大量の専門エージェント群の管理の複雑さを解消し、タスクを適切なエージェントへルーティングするオーバーヘッドを削減し、LLM の運用コストを低減するとともに、マルチエージェント合意形成とメモリ取得の精度と速度を向上させます。

How it works

システムは「Self-Optimizing Neural Architecture」(SONA) を利用し、ミリ秒未満のパターン学習と適応的ルーティングを実現します。AgentDB を統合して高度なメモリ管理を行い、Flash、Linear、Hyperbolic、MoE といった多様なアテンション機構と Graph Neural Networks (GNN) を用いてクエリを洗練し、リコール率を向上させます。フレームワークは 66 の事前構築された専門エージェント（例：コーダー、レビュアー、プランナー）と、GitHub などのプラットフォームとの連携を可能にする 213 の MCP ツールを提供します。

Who it’s for

• Developers 事前構築された専門エージェントと高性能ローカルコード編集を活用して、複雑なマルチエージェントシステムを構築したい方。
• Businesses エージェントワークフローをスケールしながら、LLM トークンコストとインフラコストを削減したい企業。
• Researchers エージェントスウォームにおける最先端のアテンション機構やグラフ認識推論の実装・検証に関心のある研究者。

Highlights

• SONA Adaptive Learning：ミリ秒単位のパターン取得と LoRA ファインチューニングによりリアルタイム適応を実現。
• Advanced Attention：Flash Attention（最大 7.47 倍高速化）、長系列向け Linear Attention、階層的スウォーム向け Hyperbolic Attention をサポート。
• Lage Agent Library：66 の自己学習エージェントが「ReasoningBank」メモリシステムを通じて自律的に改善。
• GNN Query Refinement：グラフコンテキスト統合により情報リコール率が 12.4% 向上。
• Cost Efficiency：Sonnet と Haiku 間のインテリジェントなモデルルーティングでコストを最大 60% 削減。
• Extensive Tooling：スウォーム初期化、メモリ管理、GitHub 連携のための 213 の MCP ツールを提供。