皆さん、Kiro Crewをご存じでしょうか？
Kiro Crewは、AWSからOSSとして公開されている自律型AIエージェント管理レイヤーです。AIエージェントに永続メモリ・スケジュール実行・サブエージェント並列処理・自己学習・マルチセッション管理を追加し、kiro-cli（KiroACP）をバックエンドに、MCP（Model Context Protocol）経由でツールにアクセスします。Webダッシュボード・Slack・Discord・Telegram・Teamsなど、好きなインターフェースから操作可能です。
Kiro IDEがコードエディタ内の「AIペアプロ」だとすれば、Kiro Crewは**「ローカルマシンに常駐する、記憶と自律性を持ったAIチーム」**。本記事ではその特徴と、実際にSIerとして複数顧客案件を抱えながら使ってみた所感をお伝えします。
本記事はシリーズの第1部です。第2部以降ではKnowledge Library、ブラウザ操作、Slack連携の実践検証を予定しています。
検証環境
| 項目 | バージョン |
|---|---|
| OS | Windows 11 (NT 10.0.26100) |
| Python | 3.12.10 |
| Node.js | 24.14.0 |
| kiro-cli | 2.17.0 |
| KiroCrew | 0.3.0 |
1. Kiro Crewとは
背景：AIコーディングアシスタントの限界
2024〜2025年にかけて、AIコーディングアシスタントは急速に進化しました。GitHub Copilot、Cursor、Kiro IDE、Cline、Aider — いずれもコードエディタ内でタスクをこなしますが、共通の制約があります：
- セッションが閉じれば記憶が消える — 同じ説明を何度もする
- 並列作業ができない — 一つのタスクに一つのセッション
- 定期タスクの自動化がない — 人間がトリガーしなければ動かない
- プロジェクト横断の知識共有が難しい — 社内共通ルールを各プロジェクトに個別設定
Kiro Crewはこれらを「エージェント管理レイヤー」として解決します。
設計思想（Tenets）
公式リポジトリに掲げられている設計原則から抜粋：
- Safety first — すべてのアクションはゲート付き・監査可能・可逆。不可逆な操作は事前に確認
- Build in the open — OSSとしてすべて公開。「自分が動かすものと同じものをユーザーも動かす」
- Easy to use — 60秒で生産的に。設定不要で開始可能
- The gateway, not the replacement — 既存ツールの置き換えではなく、接続・記憶・強化するレイヤー
- Teammates, not tools — エージェントには名前・役割・記憶がある。同僚のように協調する
アーキテクチャ概要
┌─────────────────────────────────────────────────────────┐
│ Interface Layer │
│ Dashboard (React SPA) / Slack / Discord / Telegram │
│ / Teams / Webex / WeCom / CLI │
├─────────────────────────────────────────────────────────┤
│ KiroCrew Gateway (Python, localhost:5476) │
│ ├─ Session Manager (マルチセッション並列チャット) │
│ ├─ Memory Service (永続メモリ / ベクトル検索) │
│ ├─ Cron Scheduler (スケジュール実行 / ジッター制御) │
│ ├─ Spawn Service (サブエージェント並列処理) │
│ ├─ Skill Engine (SKILL.md プラグイン) │
│ ├─ Knowledge Library (ドキュメントのセマンティック検索) │
│ ├─ Task Runner (自律マルチステップ実行) │
│ └─ MCP Tools (Browser/Playwright, Computer Use, etc.) │
├─────────────────────────────────────────────────────────┤
│ Agent Backend: kiro-cli (KiroACP) │
│ LLM: Claude / GPT / etc. │
└─────────────────────────────────────────────────────────┘
ローカルゲートウェイとして動作するため、データは自分のマシンに留まります。エンベディングモデル（Qwen3-Embedding-0.6B, ~610MB）もローカル実行で、外部にデータを送信しません。
2. 特徴とユースケース
2.1 永続メモリとローカルRAG — 「自分専用のKnowledge Base」が内蔵されている
Kiro Crewの最大の特徴は、ローカルRAG（検索拡張生成）が組み込まれていることです。
イメージとしてはAmazon Bedrock Knowledge Baseのミニチュア版が自分のマシン内で動いているようなもの。エンベディングモデル（Qwen3-Embedding-0.6B）がインプロセスで動作し、外部へのデータ送信なしでセマンティック検索を実現します。他のAIアシスタント（Copilot, Cursor, Claude Code等）にはこの機能がなく、ここが決定的な違いです。
Kiro CrewのRAGは2系統あります：
① Knowledge Library（ナレッジグラフRAG）
- ドキュメント（MD, PDF, DOCX）をチャンクに分割
- LLM（Claude Haiku）でエンティティ・リレーションを抽出しグラフ構築
- 3-way検索: キーワード（FTS5） + グラフ探索 + ベクトルコサイン類似度
- **RRF（Reciprocal Rank Fusion）**で3系統の結果を統合
検索クエリ: "認証の仕組みはどうなってる？"
Path 1: FTS5キーワード → "認証" を含むチャンク
Path 2: グラフ探索 → "AuthService" → 2ホップ以内のエンティティ → 関連チャンク
Path 3: ベクトル検索 → "JWT", "OAuth", "ログイン" など意味的に近いチャンク
→ RRF融合 → 最も関連性の高い結果を返す
これはMicrosoft GraphRAGやLightRAGと同系統のアプローチです。Bedrock Knowledge Baseが「ベクトル検索一本」なのに対し、Kiro Crewはグラフ構造も加味したハイブリッドRAGを採用しています。
② Vector Memory（メモリRAG）
- Semantic Memory（構造化KVストア）とEpisodic Memory（会話フラグメント）を意味で検索
- ユーザーの過去の発言や設定を「意味的に近い」で引き当てる
そしてこのRAGの上に、永続メモリの4層構造が載っています：
| レイヤー | 内容 | 寿命 |
|---|---|---|
| Preferences | 個人の好み・スタイル | 永続（自動更新） |
| Projects | 現在のプロジェクト情報・決定事項 | 永続（自動更新） |
| Daily History | 日次会話サマリー | 14日フル → 60日圧縮 → 180日見出しのみ → 365日で削除 |
| Lessons | ユーザーからの修正・ルール | 永続（手動管理） |
メモリモードも選択可能：
| モード | 読み | 書き | 用途 |
|---|---|---|---|
| Persistent（デフォルト） | ✅ | ✅ | 通常作業 |
| Incognito | ✅ | ❌ | 機密タスク（学習させたくない） |
| Temporary | ❌ | ❌ | 完全隔離実験 |
Lessonsはグローバル/ワークスペース単位のスコープを持ち、ここがKiro IDEとの大きな違いです（後述）。
2.2 サブエージェント並列処理
独立した複数タスクを並列実行し、結果を親エージェントが統合します。
- 自動サイジング: ホストのメモリ/CPUに基づいてmax concurrencyを動的に決定（floor 3, ceiling 32）
- メモリガード: 利用可能メモリが4GB未満になるとspawnを拒否
- タイムアウト: タスクあたり30分
- ネスト禁止: サブエージェントが更にサブエージェントを生むことはできない
例: "EC2の料金変更を全リージョンで調べて"
→ リージョンごとにサブエージェントがspawn
→ 各自が調査して結果を返す
→ 親エージェントが統合レポートを生成
2.3 Cron（スケジュール実行）
3種類のスケジュールタイプ：
| タイプ | 構文 | 例 |
|---|---|---|
| インターバル | every <seconds> |
every 300（5分、最小60秒） |
| ワンショット | at <ISO timestamp> |
at 2026-08-14T09:00:00 |
| Cron式 | cron <5-field> |
cron 0 9 * * 1-5（平日9時） |
スクリプトモードでは、LLM推論を使わずPython関数やシェルコマンドを直接実行（ゼロトークン消費）。ポーリングや定型チェックに最適です。
実用的な機能：
-
skip_dates: 祝日・休暇をスキップ -
strict_schedule: ジッターなしの厳密タイミング -
silent: 変化があった時だけ通知 -
persistent_session: false: 毎回クリーンなセッションで実行（ポーリング向き）
2.4 ブラウザ操作（Playwright MCP）
ダッシュボードのサイドパネルに実際のChromiumブラウザを表示し、操作できます。
- ナビゲーション、クリック、フォーム入力、スクリーンショット
- ログイン済みセッションでの操作
- アクセシビリティツリーの圧縮表現（50-100Kトークン → 2-5Kトークン）でコンテキスト効率が高い
Settings → Browserから有効化すると、Playwright＋ブラウザバイナリが自動セットアップされます。
2.5 デスクトップアプリ操作（Computer Use）
macOS限定で、アクセシビリティレイヤーを通じたネイティブアプリ操作が可能。番号付き要素ツリーで正確にUI要素を指定できます。
筆者注: Windows環境のため未検証。macOSユーザーの方はぜひ試してみてください。
2.6 スキルシステム
SKILL.mdファイルで定義される再利用可能なワークフロー：
- Always-on: 毎セッション全文注入（控えめに使用）
- On-demand: サマリーのみロード、話題が来たら全文読み込み
- Triggered: ユーザーメッセージのキーワードで自動発火（70%一致）
crystallizeスキルで会話から新しいスキルを自動生成できるのが便利です。
私の環境で実際に使っているスキル例：
| スキル名 | 用途 |
|---|---|
llm-wiki |
社内Wiki検索・コンパイル |
pptx-maker |
PowerPoint自動生成 |
prepare-pr |
PR作成→CI通過まで自動化 |
llm-council |
複数LLMによる合議制判断 |
babysit |
PR/CI/デプロイの監視ループ |
artifact-deploy |
AWSへのワンクリックデプロイ |
2.7 その他の注目機能
- Task Runner: specファイルからの自律マルチステップ実行。「Backlog Crusher」はissue取得→実装→テスト→PR作成を自動で回し、一晩で20+ PRを出せる
- Research Lab: 複数サイクルの調査キャンペーン。スコーピング→調査→レポート生成
- Knowledge Library: ドキュメントからセマンティック検索可能なナレッジグラフを構築
- Web Deploy: 自分のAWSアカウントにS3+CloudFront+OACでHTTPS公開
- Inbound Webhooks: 外部システムからHTTPでエージェントのターンをトリガー
- Warm Pool: kiro-cliプロセスをプリスポーンして新セッション開始を即座に
3. Kiro Crewの始め方
前提条件
| 要件 | 用途 | バージョン |
|---|---|---|
| Python + pip | バックエンド | >= 3.10 |
| Node.js + npm | ダッシュボードのソースビルド（プリビルド版なら不要） | >= 22 |
| kiro-cli | LLM駆動 | 必須、PATHに配置 |
対応OS: macOS, Linux, Windows（Windowsは python -m kiro_crew gateway で起動）
インストール
# プリビルドWheel（推奨・最速）
curl -fsSL https://download.crew.kiro.dev/cli.sh | sh
# チャンネル指定（insider / nightly）
curl -fsSL https://download.crew.kiro.dev/cli.sh | sh -s -- --channel insider
⚠️ PyPIには公開されていません。
pip install kirocrewは使えません。
pip直接インストールの場合：
pip install --pre kirocrew \
--extra-index-url https://updates.crew.kiro.dev/feed/stable/simple/
初期セットアップ
# kiro-cliのログイン
kiro-cli login
# Kiro Crewの初期設定ウィザード
kirocrew setup
kirocrew setup では以下を設定：
- kiro-cliの検出
- プロジェクトディレクトリ
- エージェント設定（
~/.kiro/agents/kirocrew.json） - ブラウザMCPプロキシの登録
- ワークスペース、タイムゾーン、ダッシュボードURL
起動
# フルゲートウェイ（ダッシュボード + 全チャネル + Cron + ヘルスチェック）
kirocrew gateway
# → http://localhost:5476 でダッシュボード
# CLIのみ（軽量モード）
kirocrew chat
kirocrew chat -m "パイプラインの状態を教えて"
確認
kirocrew doctor # セットアップ診断
kirocrew status # ゲートウェイ状態
バックグラウンド常駐
kirocrew service install # macOS: LaunchAgent / Linux: systemd
kirocrew service status
リブートしても自動起動し、クラッシュ時は自動再起動します。
4. 所感：Kiro IDEユーザーとしての視点
Kiro IDEの良かった点と課題
私はKiro IDEを日常的に使ってきました。フォルダごとに情報と権限を分離できる設計は、複数のお客様案件を同時に抱えるSIerとしては非常に使いやすかった。.kiro/ディレクトリにプロジェクト設定を閉じ込めることで、顧客Aの知識が顧客Bに漏れない。
一方で課題もありました：
| 課題 | 具体例 |
|---|---|
| 社内共通スキルの個別設定 | コーディング規約、PR作成ルール、CI設定テンプレートを毎回.kiro/に設定 |
| セッション間の記憶断絶 | 「先週教えたよね？」が通じない |
| 受動的 | 人間がエディタを開かないと何も始まらない |
Kiro Crewで解決されたこと
| 課題 | Kiro IDE | Kiro Crew |
|---|---|---|
| 記憶の永続化 | セッション内のみ | クロスセッション・クロスプロジェクト |
| 共通ルールの共有 | プロジェクトごとに個別設定 | Lessonsのグローバルスコープで全ワークスペース共有 |
| 自律的な動作 | なし | Cron, Monitor, Task Runner |
| 並列処理 | なし | spawn_runで動的サイジング |
| ブラウザ操作 | なし | Playwright MCP |
| コミュニケーションチャネル | エディタ内のみ | Slack/Discord/Telegram/Teams/CLI/Dashboard |
ポジショニング：IDE拡張 vs 汎用エージェント
Kiro Crewの立ち位置は、IDE統合型（Copilot, Cursor, Kiro IDE）と汎用エージェント（Devin, OpenClaw, HERMES Agent）の中間です。
IDE統合型 Kiro Crew 汎用エージェント
(Copilot, Cursor, ←―― ローカル実行 ――→ (Devin, OpenClaw,
Kiro IDE, Cline) 開発者向け HERMES Agent)
でも汎用的
コード特化 タスク全般
エディタ内完結 クラウド実行
- コード特化ではない — ブラウザ操作、PowerPoint生成、Web調査、ドキュメント作成も可能
- でも開発者が根幹ユーザー — CLI前提、MCP Tools、git操作、CI連携が設計の中核
- ローカル実行 — データが自分のマシンに留まり、エンベディングもローカル。機密情報の管理がしやすい
Devin等が「クラウド上のAIワーカー」だとすれば、Kiro Crewは**「手元のマシンに常駐する個人専属のAIチーム」**です。
複数顧客を抱えるSIerとしての評価
私の環境では10以上の顧客プロジェクトを同時に管理しています。
解決されたこと：
- 社内共通ワークフロー（Redmine操作、PR規約、報告書テンプレート）をLessonsに一度登録すれば全案件で共有
- 言語設定（
pref.language: ja）等も一度で済む - 案件横断のメタ作業（受注前案件の棚卸し、週報作成）にCronとTask Runnerが効く
- Slack連携で移動中でもモバイルから指示可能
注意すべき点：
- 顧客固有の機密情報はワークスペース分離で管理する必要あり — Lessonsのグローバルスコープに入れると全セッションに漏れる
- Incognitoモードは「読みはするが書かない」なので、機密案件の作業時はTemporaryモードが安全
-
KIROCREW_HOME環境変数で完全にデータを分離したインスタンスも立てられる（Dev Mode）
Kiro Crewの「Tenet #4」と実感
"The gateway, not the replacement — 既存ツールの置き換えではなく、接続・記憶・強化するレイヤー"
これはまさに実感として正しくて、Kiro CrewはRedmineもGitHubもSlackも置き換えない。それらを横串で繋いで記憶を持たせるところに価値がある。個別のツールはそのまま使い続けて、Kiro Crewが「間をつなぐ記憶と自律性」を提供する形です。
設計品質：「システム屋が作った」感
私はv0.1.2から使い始めて現在v0.3.0ですが、初期バージョンの時点で「設計がしっかりしているな」と感じていました。バグはあるものの、根本の設計が破綻していないので安心して使い続けられる。
具体的に「システム屋が作ったな」と感じるポイント：
- サブエージェントの動的サイジング — ホストのRAM/CPU実測値からcapを算出し、実行履歴のp90コストで学習していく
- メモリ4GB未満でspawn拒否（per-spawn admission gate） — capとは独立したリアルタイムガード
-
Cronジッター — 大量ジョブのスパイク回避のためランダム遅延を自動挿入（
strict_scheduleで無効化可） - ゾンビリーパー — スタックしたジョブを60秒間隔でスイープしてSIGKILL
- Knowledge Libraryのgraceful degradation — モデル未ダウンロード時はキーワード検索にフォールバックし、準備完了後に無停止でセマンティック検索に切り替え
HERMES Agentもよくできていますが、Kiro Crewはv0.1の時点からこういった運用品質の設計が入っていたのが印象的です。「AIアプリ」ではなく「本番運用されるデーモンプロセス」として設計されている感覚があります。
正直な話：クレジット消費は早い（笑）
自律エージェントの宿命ですが、Kiro Crewはクレジット消費が速いです。サブエージェント3並列でKnowledge Libraryのエンティティ抽出も走れば、あっという間に溶けていく。
ただ、これはKiro IDEとの使い分けで解決する話だと思っています：
- Kiro IDE — 「手数最小で最大の成果を」。設計が固まったモノづくり、明確なタスクの実装には最高の生産性。コスパ重視。
- Kiro Crew — 「こういう事がしたいんだよねぇ」と壁打ちしながら進めていく相手。探索的な作業、並列調査、自律運用。
Kiro IDEが「職人に仕事を依頼する」感覚だとすれば、Kiro Crewは「一緒に考えて動いてくれる同僚」。この記事自体もKiro Crewと会話しながら構成を練り、途中で思いついたアイデアを割り込みで投げ、それが全部反映されて出来上がっています。
Kiro Crewは一皮剥けたKiro。コストは掛かるけど、それに見合う「AIと協働する」体験がある。
余談：ライブステアリング — 実行中の割り込みが賢い
実はこの記事を書いている最中にも体験したのですが、Kiro Crewにはエージェントが処理を実行している最中にユーザーが追加指示を送ると「実行中のターンに追加しました」と表示され、エージェントがその割り込みを即座に反映する仕組みがあります。
Kiro IDEでは「エージェントの処理が終わるまで待つ → 追加指示を出す → もう一度やり直し」というフローになりがちでした。Kiro Crewのダッシュボードでは、思いついた瞬間に投げれば現在の処理に織り込まれる。これは「AIと並走して考える」体験として地味に快適です。
5. まとめ
Kiro CrewはLLMの上に載せるステートフルなオーケストレーションレイヤーです。
| LLM単体の性質 | Kiro Crewが追加するもの |
|---|---|
| ステートレス | 永続メモリ + 学習 |
| シングルセッション | マルチセッション並列 |
| 受動的（呼ばれたら答える） | 能動的（Cron, Monitor, Task Runner） |
| 単一タスク処理 | サブエージェント並列分割 |
| テキストのみ | ブラウザ操作 + デスクトップ操作 |
AIコーディングアシスタントが「便利なペアプロ相手」だとすれば、Kiro Crewは**「記憶があり、自律的に動き、並列で考え、学習するチームメイト」**です。
エンジニアだけでなく、IT運用やプロジェクト管理でAIを活用したい方にも、一度試してみる価値はあると思います。
次回予告
本記事ではKiro Crewの全体像と所感をお伝えしました。次回以降は実際に手を動かして検証していきます：
- Knowledge Library検証 — 社内ナレッジ（60+ページのWiki）をKnowledge Libraryに投入し、従来のスキル方式（手動検索）との検索精度・速度・メンテナンスコストを比較します。ローカルGraphRAGの実力を実データで測ります。
- ブラウザ操作検証 — Playwright MCPを使った実際のWeb操作体験。管理画面操作やフロントエンド確認がどこまで実用的か。
- Slack連携検証 — 「PCの前にいなくてもAIに仕事させる」体験。Cron通知、モバイルからのタスク投入、移動中の運用フローを試します。
お楽しみに。