TaskingAI は、LLMベースのエージェント開発とデプロイメントのためのBaaS（Backend as a Service）プラットフォームです。数百のLLMモデルの統合を統一し、ツール、RAGシステム、アシスタント、会話履歴など、LLMアプリケーションの機能モジュールを管理する直感的なユーザーインターフェイスを提供します。
- オールインワンLLMプラットフォーム：数百のAIモデルに統一APIでアクセスできます。
- 豊富な拡張機能：数百のカスタマイズ可能な内蔵ツールと高度なリトリーバル強化生成(RAG)システムでLLMエージェントのパフォーマンスを向上させます。
- BaaSインスパイアのワークフロー：AIロジック（サーバー側）と製品開発（クライアント側）を分離し、コンソールベースのプロトタイピングからスケーラブルなソリューションへの明確な経路を提供します。
- ワンクリックで本番導入：AIエージェントをワンクリックで本番段階にデプロイし、簡単にスケールアップします。TaskingAIが残りの処理を行います。
- 非同期効率：Python FastAPIの非同期機能を利用して高性能な並列計算を行い、アプリケーションの応答性とスケーラビリティを向上させます。
- 直感的なUIコンソール：プロジェクト管理を簡素化し、コンソール内でワークフローをテストできます。
モデル：TaskingAIは、OpenAIやAnthropicなど、さまざまなプロバイダーから数百のLLMを接続します。また、Ollama、LM Studio、Local AIを介してローカルホストモデルを統合することも可能です。
プラグイン：TaskingAIは、Google検索、ウェブサイトリーダー、株式市場検索など、多くの内蔵プラグインをサポートしており、AIエージェントを強化します。ユーザーは特定のニーズに合わせたカスタムツールも作成できます。
LangChain はLLMアプリケーション開発のためのツールフレームワークですが、実際の制約があります：
- ステートレス：データ管理にクライアントサイドや外部サービスに依存しています。
- スケーラビリティの課題：ステートレス性がセッション間でのデータの一貫した取り扱いに影響を与えます。
- 外部依存性：モデルSDKやベクトルストレージなどの外部リソースに依存しています。
OpenAIのAssistant API はGPTのような機能を提供することに優れているものの、以下の制約があります：
- 機能の結びつき：ツールや検索の統合が各アシスタントに結びついていて、マルチテナントアプリケーションには適していません。
- 専有の制限：OpenAIモデルに限定されており、多様なニーズには適していません。
- カスタマイズの制約：ユーザーはエージェントの構成をカスタマイズできません（メモリや検索システムなど）。
- ステートフルおよびステートレスの両方をサポート：メッセージ履歴やエージェント会話セッションを追跡および管理するか、またはステートレスなチャット完了リクエストを行うだけか、どちらも対応できます。
- モジュールの分離管理：ツール、RAGシステム、言語モデルの管理をエージェントから分離し、これらのモジュールを自由に組み合わせて強力なAIエージェントを構築できます。
- マルチテナントサポート：開発後の迅速なデプロイをサポートし、マルチテナントのシナリオでも利用可能です。クラウドサービスについて心配する必要はなく、AIエージェントの開発に専念できます。
- 統一API：タスクごとに統一されたAPIを提供し、ツール、RAGシステム、言語モデルなどの構成を簡単に管理および変更できます。
- インタラクティブアプリのデモ
- 企業の生産性向上のためのAIエージェント
- ビジネス用のマルチテナントAIネイティブアプリケーション
これが役立つと感じたなら、ぜひ 無料スター🌟 をください 😇
自ホストのTaskingAIコミュニティエディションを起動する簡単な方法は Docker を利用することです。
- DockerとDocker Composeがインストールされたマシン。
- リポジトリをクローンするためのGitのインストール。
- クライアントSDKを実行するためのPython環境（Python 3.8以上）。
まず、GitHubからTaskingAI（コミュニティエディション）をクローンします。
git clone https://github.com/taskingai/taskingai.git
cd taskingaiクローンしたリポジトリの中でdockerディレクトリに移動し、Docker Composeを使ってサービスを起動します。
cd docker-
.env.exampleを.envにコピーします：cp .env.example .env
-
.envファイルを編集します： お好みのテキストエディタで.envファイルを開き、必要な設定を更新してください。必要な環境変数が正しく設定されていることを確認してください。 -
Docker Composeを起動します： 以下のコマンドを実行して、すべてのサービスを開始します：
docker-compose -p taskingai --env-file .env up -d
サービスが起動したら、URL http://localhost:8080 をブラウザで開いてTaskingAIコンソールにアクセスします。デフォルトのユーザー名とパスワードはadminとTaskingAI321です。
既に以前のバージョンのTaskingAIをインストールしていて、最新バージョンにアップグレードしたい場合は、まずリポジトリを更新します。
git pull origin master次に、現在のdockerサービスを停止し、最新のイメージをプルしてアップグレードし、最後にサービスを再起動します。
cd docker
docker-compose -p taskingai down
docker-compose -p taskingai pull
docker-compose -p taskingai --env-file .env up -dデータ損失の心配はありません。必要に応じて、データは自動的に最新バージョンスキーマに移行されます。
上の画像をクリックして、TaskingAIコンソールデモビデオを視聴してください。
コンソールが起動したら、TaskingAIクライアントSDKを使用してプログラム的にTaskingAIサーバーと対話します。
Python 3.8以上がインストールされていることを確認し、仮想環境を設定します（任意ですが推奨）。
pipを使用してTaskingAI PythonクライアントSDKをインストールします。
pip install taskingai以下はクライアントのコード例です：
import taskingai
taskingai.init(api_key='YOUR_API_KEY', host='http://localhost:8080')
# 新しいアシスタントを作成
assistant = taskingai.assistant.create_assistant(
model_id="YOUR_MODEL_ID",
memory="naive",
)
# 新しいチャットを作成
chat = taskingai.assistant.create_chat(
assistant_id=assistant.assistant_id,
)
# ユーザーのメッセージを送信
taskingai.assistant.create_message(
assistant_id=assistant.assistant_id,
chat_id=chat.chat_id,
text="Hello!",
)
# アシスタントの応答を生成
assistant_message = taskingai.assistant.generate_message(
assistant_id=assistant.assistant_id,
chat_id=chat.chat_id,
)
print(assistant_message)YOUR_API_KEY と YOUR_MODEL_ID は、コンソールで作成した実際のAPIキーとチャット完了モデルIDに置き換えてください。
詳細はドキュメントをご覧ください。
プロジェクトへの貢献方法については、貢献ガイドラインをご覧ください。
また、TaskingAIに公式Discordコミュニティができたことをお知らせいたします！ 🎊
Discordサーバーに参加することで：
• 💬 TaskingAIについての議論に参加し、アイデアを共有し、フィードバックを提供。
• 📚 他のユーザーや私たちのチームからのサポート、ヒント、ベストプラクティスを受け取る。
• 🚀 最新のニュース、アップデート、機能リリースを常に更新。
• 🤝 AIとタスク自動化に情瞭のある同じ志を持つ人々とネットワーキング。
TaskingAIは特定のTaskingAIオープンソースライセンスの下でリリースされています。このプロジェクトに貢献することで、その条項に従うことに同意したことになります。
サポートについては、ドキュメントを参照するか、support@tasking.aiまでお問い合わせください。