GitHubのAI道具とは何か、Daniel Agrici さんの動画で紹介された16個を早見表つきで解説

出典: GitHubのAI道具16個の紹介（Daniel Agrici）

動画の長さは8分3秒。冒頭（0:00）で Daniel さんは、溜めてきたリポジトリを共有すると切り出します。リポジトリは、GitHub上のプログラムの置き場のこと。READMEを画面に出しながら、1個ずつ紹介が進みます。

Daniel さん（動画の中で・0:00〜）

“I’ve been piling up some repos till now so I can use it as a source of inspiration, and I was thinking to share them with you also.”

訳: これまで、着想源にするつもりでリポジトリをため込んできました。それを、あなたとも共有しようと思っていました。

16個すべてを使っているわけではありません。動画の説明文によると、使っているのは検証中のLangfuse。足したいのはDifyです。星は16個の合計で733K以上。

動画の説明文は、16個を5種類に分けています。RAGと文書解析・エージェント周りの道具・LLMの観測・プライベート検索・その他です。RAGは、AIが外の文書を検索して答える仕組みのこと。

この記事では、役目で5つに分け直しました。それが下の早見表です。

並びは、ひらめき枠・文書をAIに食わせる・手足を足す・アプリを作って見張る・土台の順。時刻の欄は、その物が動画に出てくる位置です。

最初は、この記事でひらめき枠と呼ぶ3個です。使う道具というより、着想源として眺める物。そんな3個を集めました。

LearnHouse（0:09）は、教育コンテンツ向けのオープンソースの基盤です。画面には、コース・エディタ・課題・ディスカッション・ポッドキャストの機能が並びます。向くのは、コースや学習に関わる人。Daniel さんはそう話します。

つまり、講座やオンラインの学びの場を、自分で立てる土台です。コースを作る画面も、受講する人が話し合う場所も、同じ基盤の中にあります。

Glide Data Grid（0:29）のREADMEには、数百万行を扱えるキャンバス型のデータグリッドとあります。向くのは、顧客や事業の数字を全部見たい人。CRM（顧客管理の仕組み）の上に、バイブコーディング（AIに話してコードを書かせること）で足せると Daniel さんは言います。

つまり、数百万行の表を画面に出すための部品です。顧客の一覧を、1枚の大きな表で端から端まで眺める。その下地になります。

MiroFish（1:33）のREADMEは、シンプルで汎用の群知能エンジンで、何でも予測するという趣旨。何でも入れて試せます。上にバイブコーディングもできます。

ワークフロー全体を試したい人に、今のところ最良の1つ。Daniel さんはそう言い、星の多さにも触れます（2:05）。

つまり、入れたデータからこの先の動きを予測してみる、実験の場です。向く人は、ワークフロー全体を試したい人でした。

ひらめき枠の3個も、入れる前の段階の物として画面に並んでいます。次の章からは、役目ごとに中身へ入ります。

16個を横に並べて見せるのは、動画とリストの仕事です。縦に掘れるのは、自分の現場に照らして確かめた物だけ。

ここからは、文書をAIに食わせる4個です。RAGの話が本格的に始まるのは、FlagEmbeddingの場面から。DoclingとMinerUが後に続きます。pgvectorは序盤に出ていました。

Daniel さん（動画の中で・5:40〜）

“I’ve been also checking in full the RAG so we can fully on optimize and minimize also AI consumption in regards to documents and whatever we feed in a sort of data.”

訳: RAGをずっと見てきました。文書や、食わせるデータ全般で、AIの消費を最適化して最小限にできるようにするためです。

Docling（5:36）は、多様な形式の文書を解析する物です。高度なPDF理解にも対応。解析した中身を、生成AIの仕組みとつなぎます。これもRAGの仕組みで、FlagEmbeddingと同じ系統だと Daniel さんは話します。

つまり、PDFなどの文書を、AIが読める形に直して渡す入口です。込み入ったPDFでも中身を取り出せます。

MinerU（7:09）は、最後に紹介された1個です。読めるのは、PDF・スキャン画像・Word・PowerPoint・HTML・CSVなど。

READMEには、文書の読み取り・解析・OCR（画像の文字を読み取ること）に使う、という趣旨が書かれていました。AIエージェントがいつも参照できるよう、データを整えます。

つまり、スキャンした紙の画像や資料のファイルを、AIが使える文字のデータにする入口。Docling のすぐ隣にいる物です。

FlagEmbedding（4:19）のREADMEは、検索とRAGのツールキット（BGE）。この領域では、Googleが動き始めたものの公式な物はまだ。Daniel さんはそう注意を促します。これより先を行く物を知っていれば教えてほしい、とも呼びかけます（4:43）。

つまり、文章を数字の並び（ベクトル）に直す、埋め込みの道具です。言葉が違っても、意味が近い文章から探せます。

pgvector（1:11）は、データベースのPostgresにベクトル検索を足す物です。ベクトル検索は、文章の意味が近い物を探す検索のこと。完全一致と近似最近傍の検索に対応しています。

ベクトルは、ほかのデータと一緒に保存できます。ベクトルに関心がある人向けだと、Daniel さんは話します。

つまり、数字に直した文章を、しまっておいて探す置き場です。ふだんのデータと同じ場所に置けます。

4個を並べると、流れが見えます。Docling と MinerU が文書を読む入口。FlagEmbedding が、読んだ文章を数字に直します。

pgvector は、その数字の置き場です。読む・直す・しまうの順に、4個が1本につながっているんです。

この4個は、どれもAIに渡す前の文書を整える側にいます。答えるAIの手前で働く物ばかりです。

次は、AIエージェントに手足を足す3個です。エージェントは、指示を受けて自分で動くAIのこと。動画では ContextForge が序盤に出ます。brag と Agent Reach は、その後です。

ContextForge（0:49）はIBM公式。MCP（AIに外の道具をつなぐ共通の規格）・A2A・REST/gRPCのAPIを、1つの窓口にまとめます。受け持つのは、管理・発見・観測。ハーネス（AIを動かす枠組み）を作る人向けだと Daniel さんは話します（1:03）。

つまり、AIがつなぐ外の道具を、1か所でまとめて管理する窓口です。つなぐ先が増えても、見渡す場所は1つ。

brag（2:08）は、作った物の紹介動画を作るコマンドです。名前は /brag。画面には、サイトのリンクを貼れば動画ができる、という案内も出ていました。

つまり、作った物を見せる動画を、AIがまとめる道具です。渡すのはサイトのリンク1本。

Agent Reach（2:25）は、AIエージェントにインターネットを使う力を入れます。入れ方はワンクリック。読む先は、Webページ・YouTube・RSS・GitHub・Twitter・Reddit など。多くの人が既に知っている物、と Daniel さんは前置きしていました。

Daniel さん（動画の中で・2:46〜）

“So anything regarding crawlers, this one is for you guys. Web page, YouTube, RSS, GitHub, Twitter, Reddit, wow.”

訳: クローラーに関することなら、これです。Webページ、YouTube、RSS、GitHub、Twitter、Reddit。すごいですよね。

つまり、AIがサイト・動画・SNSの投稿を、自分で読みに行けるようにする道具です。調べ物を頼んだ時の、外への入口。

3個を並べ直すと、ContextForge は外の道具をまとめる窓口です。brag は、作った物を見せる力をAIに足します。Agent Reach が足すのは、外の情報を読む力。

道具をつなぐ・作った物を見せる・情報を読む。AIが外とつながる場面は、この3種類です。手足を足す3個は、その場面に1個ずつ当てはまる物なんです！

動画の中ほどで、AIアプリまわりの3個が順に出てきます。作る基盤と、話すための画面。そこへ、動きを記録して評価する道具が加わります。

Dify（3:01）は、オープンソースのLLM（文章を作る大きなAI）アプリ開発基盤です。READMEには、AIワークフロー・RAG・エージェント機能が並びます。モデル管理と観測もあります。試作から本番まで進められる作りです。

Daniel さん（動画の中で・3:03〜）

“Now this is quite interesting because I also want to add it in full to my stack.”

訳: これはなかなか面白いんです。自分のスタックにも、丸ごと足したいと思っています。

つまり、AIを使ったアプリを画面で組み立てる土台です。そのまま動かせます。Daniel さんは、手元の仕組みに丸ごと加えたい物として挙げました（3:03）。

Onyx（3:33）は、AIと話すチャット画面です。見た目は自分が見た中で最良の1つ、と Daniel さんは話します。コネクタ（外の道具とつなぐ口）が多い物です。

どのモデルでも使えます。CodexやClaudeのアプリを自作したい時の着想源にもなる、という紹介でした。

つまり、社内の文書やツールにつないで、AIと話す画面です。話す側の入口。画面には、AIの同僚であって新しい従業員ではない、という趣旨の言葉も出ていました。

Onyx は、動画の後半で再び出てきます！うっかり重複した、と本人が口にしていました。2回目の登場です。

Langfuse（5:07）は、チームでAIアプリを開発する基盤です。監視・評価・デバッグ（不具合を直すこと）も受け持ちます。数分でセルフホスト（自分のサーバーで動かすこと）できます。実戦投入済み、とREADMEにあります。

つまり、AIアプリの1回ごとの動きの記録（トレース）を取る道具です。動いた後を見張る側。Daniel さんは、自分も今まさに実戦で試している最中だと話します（5:25）。

並べると、Dify は作る基盤です。Onyx は人がAIと話す画面。Langfuse は、動いた後を見張る側に回ります。

動画では、足したい物と試している物が分かれていました。Dify は足したい側。Langfuse は試している側です。

動画の後半には、AIの手前で働く道具が出てきます。データの控えと、通信の入口。そこへ検索の窓口が加わります。この章では、土台の役目として紹介します。

docker-volume-backup（4:48）は、Docker（アプリを箱に入れて動かす仕組み）のボリュームを控える道具です。置き場はローカルやS3・Dropbox・Google Drive・SSH。技術的すぎなければ該当する人向け、と Daniel さんは話します。

つまり、箱の中に溜まったデータを、別の場所へ控えとして取っておく道具です。READMEには、控え先がいくつも並んでいました。クラウドの置き場です。

Caddy（6:03）は、拡張できるサーバー基盤です。通信の暗号化（TLS）を最初から使います。HTTP/1・2・3に対応したWebサーバー。自動でHTTPSにする、とREADMEにあります。

つまり、サイトや画面の入口に立つ受付です。通信を暗号化して受け渡します。HTTPSにする作業も、Caddy が自動で受け持ちます。

Daniel さん（動画の中で・6:45〜）

“If there’s some blockers on some sites, it’s quite hard, if really, to get any sort of data.”

訳: サイトによっては遮るものがあって、データを取るのはかなり難しいんです。取れないことさえあります。

検索の話は6:30から始まります。FirecrawlやAIの組み込み検索は、サイトにブロックされる場合がある。Daniel さんはそう話します。

SearXNG（6:59）は、メタ検索エンジンです。利用者を追跡しません。プロファイリング（好みの割り出し）もしない物です。

つまり、複数の検索サービスの結果を、まとめて引いてくる窓口です。紹介は短めでした。あとは自分で確認して、と Daniel さんは言いました（7:06）。

並べると、docker-volume-backup は控えを取る係です。Caddy は入口で通信を暗号化します。SearXNG は探す役目。この3個が、AIが働く手前の足場になります。

動画の最後で、Daniel さんは、16個は全部、着想源として集めたものだと話します（7:46）。ここからは私の話です。16個を私のMacに照らして数えました。

Daniel さん（動画の中で・7:48〜）

“All of them have been gathering as a source of inspiration. So, I can also upgrade some properties of my own.”

訳: 全部、着想源として集めてきたものです。だから、自分の環境のいくつかの部分も上げられます。

動画の説明文によると、使っているのは検証中のLangfuseです。足したいのはDify。Daniel さん自身が使っていると言う物は、1個です。

動画の最後の1個は MinerU です。コントリビューター（開発に加わる人）も星も多い。Daniel さんはそう締めくくりました。

最初に、入っている物を書き出しました。使ったコマンドは4つです。docker images／pipx list／npm ls -g –depth=0、そして Agent Reach なら agent-reach doctor。

10月12日、AIに頼んで、私のMacでこの4つのコマンドを打ちました。名前を書き出すだけです。入れる・消す操作はしていません。

次に、16個の名前を3色に塗り分けました。「使える状態」／「役目が重なる別の物がある」／「入っていない」の3色です。

使える状態は2個。役目が重なる別の物があるのは5個です。入っていないのは9個でした。

足すと16個です。表は次のとおりです。

使える状態の2個は、pgvector と Agent Reach です。pgvector はクラウドのNeonで動きます。Agent Reach は、doctor が使えると返しました。

入っていない9個は、足りない物の一覧ではありません。埋める宿題でもない。

AIに委ねて、人は積み減らして生き直す。保存して積み上げる向きとは逆です。数えて減らすと、使える状態の2個に目が戻ります。

私ならこうする。保存したリストは、入れる前に自分の環境で3色に塗り分けます。空欄は、いま困っていることと照らす地図にします。

Daniel Agrici さんの動画は8分3秒。GitHubのオープンソース16個を、着想源として順に紹介します。READMEを画面に出しながら、1個ずつです。

この記事では、16個を役目で5つに分けて紹介しました。Dify は丸ごと足したい物（3:03）。Langfuse は今まさに実戦テスト中（5:25）。どちらも Daniel さんの言葉です。

16個が何をする物か分かったうえで、私のMacで数えました。使える状態は2個です。入れていないのは9個。保存して積み上げず、数えて減らす向きです。

名前を書き出すと、使える物と空欄の境目が見えます。いま保存しているリストを、あなたのMacの中身と照らしたら、空欄はいくつ残りますか？