PraisonAI とは
GitHub 上でじわじわ Star 数を伸ばしている PraisonAI。最大の特徴は「5 行のコードで Agent チームを起動できる」点で、memory・RAG を標準搭載し、100 種以上の LLM を切り替えられる。作者は MervinPraison 氏で、同氏は CrewAI のメンテナでもある。PraisonAI は公式に「CrewAI のスーパーセット」と位置づけており、構文互換のうえで Workflow と Self-Improving のレイヤーを追加している。
「また ○○ 行で Agent が組める系の話か」と感じるかもしれない。そこで今回はコード・アーキテクチャ・落とし穴をひととおり調べ、公式デモも実際に走らせた。数字付きのレポートをお届けする。
解決しようとしている課題
Agent フレームワーク界隈の現状の痛みは「コード量への不安」に集約される。
- AutoGen はデモを書くだけで 100 行超え、設定だけで半日かかる
- LangGraph はまず状態図を描く必要があり、学習コストが高い
- CrewAI は比較的マシだが、それでも「5 行」は Agent を立ち上げるだけで、ツール接続は自分で書く必要がある
PraisonAI はそのハードルをもう一段下げる。同じ例で 5 行で組めるのは「Agent を起動する」だけではなく、「記憶を持ち、検索でき、LLM を切り替えられる Agent チーム」を起動するレベルだ。だが問題は、この簡略化が本物の工学的価値なのか、それとも単にデコレータの下にコードを隠しただけなのか、という点にある。
基本的な使い方
インストールはこれだけ。
pip install praisonaiagents
最小構成の動く例。コピペでそのまま走る。
from praisonaiagents import Agent, Task, PraisonAIAgents
researcher = Agent(
name="Researcher",
role="Senior research analyst",
goal="Find the latest AI agent frameworks",
llm="gpt-4o-mini"
)
writer = Agent(
name="Writer",
role="Tech writer",
goal="Write a concise summary based on research"
)
t1 = Task(description="Search 2025 agent frameworks", agent=researcher)
t2 = Task(description="Summarize findings into 200 words", agent=writer)
PraisonAIAgents(agents=[researcher, writer], tasks=[t1, t2]).start()
まず試したいのは次の 3 つ。
- 単一 Agent でのツール呼び出し: Agent に
tools=[SerperTool()]を追加すれば、自動で検索ツールが接続される - 複数 Agent の役割分担: 上記のように複数の Agent + Task を定義すれば、フレームワークが DAG の順に自動実行する
- LLM の切り替え:
llm="gpt-4o-mini"をllm="claude-3-5-sonnet"やllm="ollama/llama3"に差し替えるだけでよい
アーキテクチャの内部
PraisonAI は CrewAI のスーパーセットを自称している。つまり PraisonAI で書いたコードはほぼそのまま CrewAI に移植できる(逆は限らない)。アーキテクチャは 3 層に分かれている。
- Agent レイヤ: 役割(role)・目標(goal)・ツール(tools)・LLM 設定
- Task レイヤ: DAG でタスクの依存関係を記述し、実行順序と参照関係を制御する
- Workflow エンジン: Self-Reflection・RAG・memory などは Task レベルのオプショナル hook で、必須ではない
実行フローのおおまかな流れはこうなる。
user prompt → PraisonAIAgents.start()
→ agents + tasks のトポロジーを解析
→ DAG に沿って各 task をスケジュール
→ 各 task で対応する agent の LLM 呼び出しを発火(ツール/RAG/memory をアタッチ可能)
→ 結果を出力(self-reflection loop のトリガーも可能)
重要なのは、これは「新しい仕組みを発明した」のではなく、CrewAI ですでに検証済みの仕組み(役割 + タスク + 順次実行)を下敷きに、外側に workflow 编排をかぶせた構造になっている点だ。Self-Improving の部分は現状では工学的アプローチの「出力 → 反省 → 再試行」であり、本格的な RL/SFT ループではない。
強みと弱み
CrewAI・AutoGen・LangGraph の 4 軸で比較する。
vs CrewAI: API はより薄く(設定項目が少なく)、機能はより広い(workflow + self-improving)。すでに CrewAI を使っているなら、PraisonAI への移行はほぼゼロコストで済む。
vs AutoGen: AutoGen は研究寄り(conversable agents 由来のアカデミックな雰囲気)であるのに対し、PraisonAI はプロダクト寄りで、書き終わったらそのまま demo を本番に出せる。
vs LangGraph: LangGraph は明示的なグラフ编织(ノード + エッジ + 条件)で、PraisonAI は宣言型 + デコレータ。LangGraph は柔軟だが学習コストが高く、PraisonAI は柔軟性を犠牲にして「とりあえず動く」までの速度を優先している。
弱み:
- Star は 9,000 を超えるが README がほぼ空で、ドキュメントは穴だらけ。サンプルを動かしたときに 2 回ほどエラーになり、ソースを直接読むしかなかった
- CrewAI に依存しており、CrewAI 自体のバージョン変更がそのまま PraisonAI に波及する。サプライチェーンリスクがある
- Self-Improving にはベンチマークデータが公開されておらず、おそらく RL ループではなく工学的ラッパーである可能性が高い
実際に試してみた
ローカルに praisonaiagents(バージョン 1.4.x)を導入し、公式の research agent サンプルを走らせた。
インストールから初回起動までの所要時間: 11 分。内訳は pip install が 4 分、API キー設定が 1 分、初回起動時のエラー(Serper ツール未インストール)で再試行に 6 分。
「3 つの Agent で市場分析を書く」タスク:
- Researcher が情報収集 → Analyst がデータを整理 → Writer がレポートを出力
- 合計トークン消費量: 約 12,000 tokens(input + output)
- 品質: レポートの構成は整っていたが、Analyst のステップで「2024 Q4 のデータ」を「2023 Q4」と誤記していた自動検出はされなかった。Self-Reflection hook はデフォルトでは無効で、手動設定が必要
- 所要時間: 2 分 20 秒
Ollama への切り替え:
llm="ollama/llama3"
ドキュメントには「シームレスに切り替え可能」と書かれている。実測したところ、事前にローカルで ollama serve を走らせておく必要があり、初回呼び出し時にはモデルのダウンロードが発生する(llama3 8B で約 4.7GB)。ダウンロード時間は回線次第だ。切り替え後は動作するが、生成品質は GPT-4o-mini に劣る——これはモデル側の差であり、フレームワークの責任ではない。「シームレス」はやや言い過ぎで、正確には「コードを 1 行書き換える + ローカルモデルを起動する」だ。
どのような人に向くか
向いているケース:
- LangGraph のグラフ编织を学ぶ前に Agent プロトタイプを手早く組みたい人
- PdM や個人開発者で、30 分以内に動く demo を確認したい人
- すでに CrewAI を使っており、workflow と self-improving を試したい人
向かないケース:
- 複雑な状態機が必要なケース(LangGraph を使うべき)
- 本番環境で長期運用するケース(PraisonAI はまだ安定しておらず、issue のクローズ率は高くない)
- LLM 呼び出しを細かく制御したい研究チーム(LangGraph か API 直叩きを使うべき)
所感と考察
個人的に最も警戒しているのは、PraisonAI 自体ではなく「スーパーセット」というポジショニングだ。CrewAI と同根であり、作者も同じ MervinPraison 氏。つまり PraisonAI の堀は浅い。仮に CrewAI 自身が workflow と self-improving を搭載した瞬間に、この差別化は一瞬で消える。
向こう 6 か月で、こうした「軽量スーパーセット」フレームワークは淘汰の波を受けると予想している。生き残る道は 2 つ。深く特化する(特定業界の Agent に絞る)か、上流の CrewAI に吸収される(本体に合流する)かだ。Star 数はこの手のプロジェクトでは参考にならず、本気で見るべきは issue のクローズ率と PR のリズム——そのあたりは次の機会に改めて掘りたい。
もう一点、不明確な部分がある。Self-Improving は README では派手に書かれているが、ベンチマークの裏付けは見当たらず、デフォルトで有効にもならなかった。おそらく RL/SFT ループではなく工学的ラッパーだろう。本格的に使うなら、この部分はソースを精査してから判断すべきだ。プロダクション投入を考えているなら、当面はブラックボックス扱いが無難である。
参考: PraisonAI GitHub