最先端AIを技術の中身まで読み解く「AIウォッチ」の記事です。元ネタは anmolbaranwal 氏の "Open Source Toolkit for Building AI Agents in 2026"（17 レイヤー・各レイヤー第一候補＋代替）。ただしこの手の「まとめ」はリンク切れ・リポジトリ移転・開発停止であっという間に腐る。そこで元記事に出てくる約 100 リポジトリを 2026-06 に gh api で全件確認し、スター数・最終 push・リポジトリ移転・アーカイブを確認したうえで並べ直しています。★は概数、push は最終更新月（確認した値）。各レイヤーは「第一候補を少し深く＋代替は一覧で」の構成です。
「エージェントのフレームワーク、結局どれを使えばいいの？」という問いは、2026 年にはもう古い。単一フレームワークの勝者を選ぶ時代は終わり、harness をレイヤーごとに組む時代になった。本体、編成、記憶、ツール接続、サンドボックス、評価、観測──さらに UI・音声・スクレイピング・文書処理まで、実装の全レイヤーにそれぞれ専門の OSS がいる。
この記事の狙いは2つ。(1) 実装の全景を 17 レイヤーで網羅する（完全性）。(2) その全部を実際に叩いて「今も生きてるか」を確かめる（鮮度）。まとめ記事のリンクを鵜呑みにせず、移転・停止・アーカイブを潰してあります。
まず：harness は「層」で考える
以前の記事で、指示システムを L0–L7 の能力ラダーとして整理しました。あれは「制約をどのチャンネルに乗せるか」の物差し。今回はその姉妹編で、実際に組むための"部品カタログ"です。harness を「ちゃんと走る（実行）／走り続ける（状態）／安定して走る（ガバナンス）」の三層で捉える見方が、ここでもそのまま効きます。
以下、元記事の 17 レイヤーを 3 グループにまとめて、各レイヤーを確認した値つきで並べます。
A. 本体と組み立て
1. オープンソースのコーディングエージェント本体
ターミナル/IDE で実際にコードを書く本体。競争が最も激しく、ほぼ全部が直近に push されている。
第一候補は opencode（現 anomalyco/opencode, ~169k）。このカテゴリで最大のスターを持ち、ターミナルネイティブ・75+ プロバイダ対応・並列セッションが強み。特定の IDE に縛られず、どのモデルでも同じ操作感で回せるのが効く。ただし元の sst/opencode から owner が移転しているので、古い記事のリンクは現在の正式名とズレている点に注意。用途で選ぶなら、Google 系は gemini-cli、OpenAI 公式は codex、VS Code の中で承認しながら進めたいなら cline、Git ベースのペアプロは aider。
| プロジェクト | ★ | push | ひとことで |
|---|---|---|---|
opencode（現 anomalyco/opencode） |
~169k | 06 | ターミナルネイティブ・75+プロバイダ・並列セッション。sst/opencode から移転 |
| gemini-cli（google-gemini） | ~105k | 06 | Google 製、1M トークン文脈 |
| codex（openai） | ~88k | 06 | OpenAI 公式ターミナルエージェント |
OpenHands（現 OpenHands/OpenHands） |
~76k | 06 | ブラウジング・PR まで。All-Hands-AI/ から移転 |
| cline（VS Code 拡張） | ~63k | 06 | ステップごとに承認 |
| aider | ~46k | 05 | Git ネイティブのペアプロ |
goose（現 aaif-goose/goose） |
~46k | 06 | Block 発、MCP ファースト。owner 移転 |
2. 編成（オーケストレーション）
「計画→ツール→状態保持→サブエージェント」を回す土台。
第一候補は LangGraph（~34k）。agent の動きを「状態を持つグラフ」として書き、各ノードでチェックポイントを取れるのが核心。途中で止めて人間が判断し、また再開する（human-in-the-loop）が素直に書けるので、「失敗したら戻る・分岐する」を作り込みたい本番系で強い。デファクトの一つで資料も多い。好みで選ぶなら、TypeScript 主体なら Mastra、構造化出力の型安全を重視するなら Pydantic AI、永続記憶込みの軽さなら Agno、Google スタックなら ADK。
| プロジェクト | ★ | push | ひとことで |
|---|---|---|---|
| Agno | ~40k | 06 | 軽量＋永続記憶、AgentOS（FastAPI）同梱 |
| LangGraph | ~34k | 06 | 状態グラフ＋チェックポイント。デファクトの一つ |
| Mastra | ~25k | 06 | TypeScript ファースト、RAG/観測/MCP 込み |
| Deep Agents（LangGraph 上） | ~24k | 06 | 計画・FS ツール・サブエージェント・文脈圧縮 |
| Google ADK | ~20k | 06 | 公式 ADK、Vertex AI 連携 |
| Pydantic AI | ~17k | 06 | 型安全・構造化出力の検証が強み |
| PocketFlow | ~11k | 03 | 100 行ミニマル LLM フレームワーク |
3. コーディングエージェント harness
本体を「自律して回る」状態にする骨組み（計画・FS・サブエージェント・文脈圧縮）。
第一候補は Deep Agents（LangGraph 上, ~24k）。コーディング agent を「自律で長く回る」状態にするための骨組みで、計画立て・ファイルシステム系ツール・サブエージェント・文脈の圧縮を最初から備える。ゼロから harness を書くより、ここを土台にして足りない部品を足すほうが圧倒的に速い。「説明から決定的・再現可能な harness を生成する」発想で攻めるなら Archon、達成度で agent 自体が進化する outcome 駆動なら Hive も候補。
| プロジェクト | ★ | push | ひとことで |
|---|---|---|---|
| Archon | ~22k | 06 | 説明から決定的・再現可能な harness を生成 |
| browser-harness（browser-use） | ~14k | 05 | LLM が CDP を直叩きする自己修復 harness |
| Deep Agents | ~24k | 06 | （上の編成と兼任）計画＋サブエージェント |
| Hive | ~10k | 05 | 目標達成度で agent が進化する outcome 駆動 |
4. マルチエージェント・フレームワーク
複数 agent を役割分担/並列で動かす。
第一候補は CrewAI（~53k）。「リサーチ役・執筆役・レビュー役」のように役割（role）を切って協調させる発想が直感的で、最初の一歩を踏みやすい。さらに Flows でイベント駆動の制御も足せるので、試作から本番まで地続きで持っていける。会話駆動を細かく組むなら AG2（AutoGen コミュニティ fork）、長期サポート狙いなら Microsoft Agent Framework。なお MetaGPT（~68k）は FoundationAgents/ に移転かつ最終 push が 2026-01 とやや停滞気味なので、採用時は活発度を確認したい。
| プロジェクト | ★ | push | ひとことで |
|---|---|---|---|
MetaGPT（現 FoundationAgents/MetaGPT） |
~68k | 01 | PM/設計/実装の役割で「ソフト会社」を模擬。移転＋やや停滞 |
| CrewAI | ~53k | 06 | ロール分担。Flows でイベント駆動も |
| AgentScope（Alibaba） | ~26k | 06 | 音声・MCP・A2A 対応の本番志向 |
| OWL（camel-ai） | ~20k | 05 | 計画＋実行、GAIA ベンチで上位 |
| Microsoft Agent Framework | ~11k | 06 | AutoGen の後継（長期サポート志向） |
| AG2（AutoGen コミュ fork） | ~4.6k | 06 | conversable agents / group chat |
B. 能力レイヤー（外の世界に触る）
5. Computer Use（画面操作）
API のないアプリを「画面ごと」操作させる層。
第一候補は UI-TARS Desktop（bytedance, ~36k）。スクリーンショットからボタンや入力欄の位置を当てる「GUI 接地」モデルを積んでいて、API の用意されていないデスクトップアプリでも agent に操作させられる。同リポに計画寄りの Agent TARS も同梱。VM サンドボックスで安全に回すなら cua、視覚駆動で Web/モバイルまで扱うなら Midscene。注意点として、人気の Bytebot（~11k）はアーカイブ済み（最終 push 2025-09）なので新規採用は避けたい。
| プロジェクト | ★ | push | ひとことで |
|---|---|---|---|
| UI-TARS Desktop（bytedance） | ~36k | 05 | GUI 接地モデル。Agent TARS も同リポ |
| cua（trycua） | ~17k | 06 | macOS/Linux の VM サンドボックスで agent 実行 |
| Midscene | ~14k | 06 | 視覚駆動の UI 自動化（Web/Android/iOS） |
| Agent-S（simular-ai） | ~12k | 05 | 階層計画＋過去対話の知識ベース |
| ~11k | 2025-09 | ⚠️ アーカイブ済み（開発停止）。採用注意 |
6. ブラウザ自動化
ヘッドレスブラウザを agent に運転させる層。
第一候補は Browser Use（~97k）。LLM ファーストで設計されたブラウザ agent で、ページ構造を読んで「次にどこをクリックし、何を入力するか」を LLM に決めさせる。スクリプトを書き下す従来の自動化と違い、レイアウトが多少変わっても破綻しにくいのが強み。Desktop 版やクラウド実行の Box など派生も活発。act/extract/observe/agent の粒度で制御したいなら Stagehand、画像認識で未知サイトを攻める swarm なら Skyvern、Playwright をそのまま MCP 化するなら playwright-mcp。
| プロジェクト | ★ | push | ひとことで |
|---|---|---|---|
| Browser Use | ~97k | 06 | LLM ファーストのブラウザ agent。Desktop/Box 派生も |
| Scrapling | ~59k | 06 | セレクタ漂移に強い・anti-bot 回避のスクレイパ |
| playwright-mcp（microsoft） | ~33k | 05 | Playwright を MCP サーバ化 |
| Stagehand（browserbase） | ~23k | 06 | act/extract/observe/agent の4プリミティブ |
| Skyvern | ~22k | 06 | 画像認識で未知サイトを攻める agent swarm |
7. Web スクレイピング・取り込み
外部の情報を agent の文脈に流し込む入口。
第一候補は Firecrawl（現 firecrawl/firecrawl, ~128k）。サイトをクロールして LLM 用の Markdown / JSON に整える定番で、JS レンダリングや認証付きページも扱える。RAG の前段として「とりあえずこれで取り込む」の第一候補。mendableai/ から移転済みなのでリンクは要確認。APIキー不要でセルフホストしたいなら crawl4ai、構造化抽出をプロンプトで指示するなら ScrapeGraphAI、GitHub リポを丸ごとプロンプト化するなら Gitingest、URL 頭に足すだけの手軽さなら Jina Reader。
| プロジェクト | ★ | push | ひとことで |
|---|---|---|---|
Firecrawl（現 firecrawl/firecrawl） |
~128k | 06 | サイト→LLM 用 Markdown/JSON。mendableai/ から移転 |
| crawl4ai | ~68k | 06 | セルフホスト・APIキー不要・RAG 最適化 |
| ScrapeGraphAI | ~27k | 06 | プロンプト駆動で構造化抽出 |
| Gitingest | ~15k | 06 | GitHub リポ→プロンプト向け抽出 |
| Jina Reader | ~11k | 05 | URL 頭に r.jina.ai/ で Markdown 化 |
8. 文書処理（RAG の入口）
PDF やオフィス文書を「LLM が読める構造」に変える層。
第一候補は Docling（IBM, ~61k）。PDF やオフィス文書を、表・レイアウト・読み順を保ったまま「DocTags」という構造に変換する。Granite-DocLing VLM を使い、崩れがちな表組みや段組みも精度よく拾えるので、RAG の前処理で効く。表・数式の抽出に特化するなら MinerU、解析から分割・検索まで一気通貫が欲しいなら RAGFlow（~82k）、多言語 OCR は PaddleOCR、160+ コネクタの RAG 基盤なら LlamaIndex。Marker は datalab-to/ に移転済み。
| プロジェクト | ★ | push | ひとことで |
|---|---|---|---|
| RAGFlow | ~82k | 06 | DeepDoc の解析→分割→検索の end-to-end |
| PaddleOCR | ~79k | 06 | 100+ 言語 OCR |
| MinerU | ~66k | 06 | PDF の表・数式抽出が SOTA |
| Docling（IBM） | ~61k | 06 | Granite-DocLing VLM で DocTags 変換 |
| LlamaIndex | ~50k | 05 | 160+ コネクタの RAG フレームワーク |
Marker（現 datalab-to/marker） |
~36k | 05 | PDF/EPUB/PPTX→Markdown。移転 |
| Unstructured | ~15k | 06 | 65+ 形式（メール・表・画像） |
9. 音声エージェント
聞く・話すを実時間で扱う層。
第一候補は Pipecat（~13k）。STT→LLM→TTS のパイプラインを実時間でつなぐ「音声 agent のための編成 framework」で、割り込み（barge-in）や遅延管理など、音声特有の難所を引き受けてくれる。電話・音声ボットを組むときの土台。WebRTC 込みのインフラまで欲しいなら LiveKit Agents（ChatGPT Voice でも使用）、文字起こし単体は Whisper（~101k）、声クローンは fish-speech / GPT-SoVITS / CosyVoice。
| プロジェクト | ★ | push | ひとことで |
|---|---|---|---|
| Whisper（openai） | ~101k | 04 | 多言語 STT の定番 |
| GPT-SoVITS | ~58k | 04 | 少数音声から声クローン |
| fish-speech | ~31k | 06 | 多言語ゼロショット音声クローン |
| CosyVoice（Alibaba） | ~21k | 05 | 多言語ゼロショット生成 |
| Pipecat | ~13k | 06 | STT/LLM/TTS をつなぐ実時間音声 framework |
| LiveKit Agents | ~11k | 06 | WebRTC、ChatGPT Voice でも使われる |
| Moonshine | ~8k | 06 | 低遅延・オンデバイス STT |
10. フロントエンド・UI
エージェントを人に見せる層。
第一候補は CopilotKit（~32k）。単なるチャット UI の貼り付けではなく、agent がアプリの状態を読みながら画面を組み立てる「生成 UI（generative UI）」までやれるのが他と違う点。React の hooks でフロント側の状態やアクションを agent の文脈に渡し、逆に agent の出力を UI コンポーネントとして描画できる。裏の LangGraph / CrewAI ともつながるので、「裏の編成」と「表の画面」を一本で通したいときの第一候補。ベンダー中立に薄く使うなら vercel/ai（AI SDK）、生成 UI 部品に特化するなら tambo、headless で組むなら assistant-ui。
| プロジェクト | ★ | push | ひとことで |
|---|---|---|---|
| vercel/ai（AI SDK） | ~25k | 06 | ストリーミング/ツール呼び出し、Next.js 最適 |
| CopilotKit | ~32k | 06 | チャット UI＋hooks＋生成 UI |
| tambo | ~11k | 06 | 生成 UI コンポーネント特化の React SDK |
| assistant-ui | ~10k | 06 | チャット UI の headless プリミティブ |
| TanStack/ai | ~2.7k | 06 | ベンダー中立・モジュラな AI SDK |
| agent-native（BuilderIO） | ~448 | 06 | agent と UI が同じ action model を共有 |
C. 土台（記憶・接続・実行・評価・観測）
11. 記憶（状態層）
長いタスク・複数セッションをまたいで「覚えておく」。
第一候補は mem0（~57k）。会話から「覚えておくべき事実」を抽出し、圧縮した自然言語として保持・検索する最大手。文脈ウィンドウに全部を詰め込む代わりに、必要な記憶だけを取り出して注入するので、長いタスクや複数セッションをまたいだ一貫性を保ちやすい。事実の有効期間まで持つ時間的知識グラフが要るなら Graphiti、agent 横断の記憶 API なら Supermemory、システムプロンプトに記憶を焼き込む発想の元祖は Letta（旧 MemGPT）、大規模コーパス向けの決定的グラフ記憶は Cognee。
| プロジェクト | ★ | push | ひとことで |
|---|---|---|---|
| mem0 | ~57k | 06 | 重要な事実を抽出し圧縮した自然言語で保持。最大手 |
| Graphiti（getzep） | ~27k | 05 | 事実の有効期間を持つ時間的知識グラフ |
| Supermemory | ~25k | 06 | エージェント横断の記憶 API |
| Letta（旧 MemGPT） | ~23k | 05 | 記憶をシステムプロンプトに焼き込む。発想の元祖 |
| Cognee | ~18k | 06 | 大規模コーパス向けの決定的な知識グラフ記憶 |
12. ツール接続・MCP
モデルに「外の世界」を触らせる。MCP が標準として定着。
第一候補は Composio（~29k）。Gmail や Slack など外部サービスへの接続を、OAuth 管理込みで agent に渡せる統合層。Tool Router で「今のタスクに必要な道具だけ」を選んで露出できるので、ツールを増やすほど文脈が膨らむ問題を抑えられる。モデル側を 100+ プロバイダで統一して使うなら LiteLLM（~49k、こちらはモデル・ゲートウェイの事実上の標準）、SQL でデータ源を触るなら MindsDB（minds-platform に移転）、ガードレール込みのゲートウェイなら Portkey。MCP 自体はもう標準として定着しています。
| プロジェクト | ★ | push | ひとことで |
|---|---|---|---|
| LiteLLM | ~49k | 06 | 100+ プロバイダを統一 API＋コスト追跡。事実上の標準 |
MindsDB（現 mindsdb/minds-platform） |
~39k | 06 | SQL で 200+ データ源にアクセス。移転 |
| Composio | ~29k | 06 | OAuth 管理込みの統合層、Tool Router |
| Portkey AI Gateway | ~12k | 05 | 1,600+ モデル＋ガードレール |
| ACI（aipotheosis-labs） | ~4.8k | 05 | 600+ ツールを単一 MCP サーバで |
13. サンドボックス・コード実行
生成コードを隔離して実行する層。ClickHouse の記事の「判定の壁」を安全に回すなら外せない。
第一候補は E2B（~12k）。agent が書いた怪しいコードを、Firecracker microVM の中で ~150ms 起動・独立カーネルで隔離実行する。ClickHouse の記事でいう「判定の壁」を安全に回すための土台で、ホストを巻き込まずに「とりあえず動かして結果で判定する」が成立する。永続環境と Git 連携が欲しいなら Daytona（~73k）、クラウド非依存でローカルに置くなら microsandbox、coding/GUI/browser を一括で扱う基盤なら OpenSandbox。下回りの microVM 基盤そのものは Firecracker。
| プロジェクト | ★ | push | ひとことで |
|---|---|---|---|
| Daytona | ~73k | 06 | ~90ms 起動の永続環境、Git 連携 |
| Firecracker（microVM 基盤） | ~35k | 06 | E2B 等の下回り |
| E2B | ~12k | 06 | Firecracker microVM、~150ms 起動・独立カーネル |
| OpenSandbox（Alibaba） | ~11k | 06 | coding/GUI/browser agent 対応の基盤 |
| microsandbox | ~6k | 06 | クラウド非依存のローカル・プログラマブル |
14. テスト・評価
agent の出力が「正しいか」を機械で測る層。
第一候補は DeepEval（~16k）。LLM / agent 向けに 50+ の評価指標を持ち、「この出力は正しいか」を pytest 的に書いて回せる。出力の良し悪しを人手のレビューに頼らず CI に組み込めるのが核で、これが L0–L7 でいう L6（確定的な壁） を作る材料になる。CLI ファーストで回すなら promptfoo、OTel ネイティブでトレースと一体なら Phoenix、評価＋トレース両取りは Opik、脆弱性スキャンは NVIDIA garak、MCP サーバ/スキルのレッドチーミングは Tencent AI-Infra-Guard。
| プロジェクト | ★ | push | ひとことで |
|---|---|---|---|
| mlflow | ~26k | 06 | ML ライフサイクル＋LLM/agent 評価機能 |
| promptfoo | ~22k | 06 | CLI ファーストの評価＋レッドチーミング |
| Opik（comet-ml） | ~19k | 06 | 評価＋トレース（観測と兼任） |
| DeepEval | ~16k | 06 | 50+ 指標、エージェント特化 |
| Phoenix（Arize） | ~10k | 06 | OTel ネイティブのトレース＋評価 |
| garak（NVIDIA） | ~8k | 06 | LLM 脆弱性スキャナ |
| AI-Infra-Guard（Tencent） | ~3.8k | 06 | MCP サーバ/スキルのレッドチーミング |
15. 監視・観測
本番で「agent が実際に何をしたか」を追う層。
第一候補は Langfuse（~28k）。OSS の LLM 観測でデファクト。トレース・評価・プロンプトのバージョン管理を一通り備え、「agent が実際に何を考えて、どのツールを、いくらかけて呼んだか」を後から追える。落ちたときの原因究明とコスト管理の両方をここで握れる。ゲートウェイと最適化まで統合したいなら TensorZero、OTel 計装で既存の観測基盤に寄せるなら OpenLLMetry / Logfire、評価と一体で使うなら Opik。
| プロジェクト | ★ | push | ひとことで |
|---|---|---|---|
| Langfuse | ~28k | 06 | OSS LLM 観測のデファクト。トレース/評価/プロンプト版管理 |
| Opik | ~19k | 06 | トレース/評価/ダッシュボード |
| TensorZero | ~11k | 06 | ゲートウェイ＋観測＋最適化を統合 |
| OpenLLMetry（traceloop） | ~7k | 05 | LLM トレースの OTel 計装 |
| Logfire（pydantic） | ~4.3k | 06 | OTel ネイティブの観測 |
16. スキル層（L4/L7 と直結）
L0–L7 でいう L4（スキル）/L7（自己記述） の実体。
第一候補は公式の anthropics/skills（~146k）。スキルを「YAML フロントマター＋手順書のディレクトリ」という決まった形に落とす規約で、L0–L7 でいう L4（委譲） の標準形そのもの。SKILL.md に「いつ使うか／手順／落とし穴／検証」を書いておくと、agent が必要なときだけ読み込む。型を強制することが品質の担保になる、という設計思想が L7 とも地続き。実務寄りの粒度が欲しければ addyosmani/agent-skills（23 個の本番級）、「AI 臭い」見た目を消すなら taste-skill、リポジトリを AI 向けに梱包するなら Repomix。
| プロジェクト | ★ | push | ひとことで |
|---|---|---|---|
| anthropics/skills（公式） | ~146k | 05 | スキルのディレクトリ形式。L4 の標準形 |
| addyosmani/agent-skills | ~48k | 06 | 23 個の本番級エンジニアリング・スキル集 |
| taste-skill | ~32k | 05 | 「AI 臭い」見た目を消す審美スキル |
| Repomix | ~26k | 06 | リポジトリ全体を AI 向け単一ファイルに梱包 |
17. ビジュアルビルダー（ノーコード）
コードを書かずに agent パイプラインを組む層。
第一候補は Langflow（~149k）。ドラッグ&ドロップで agent パイプラインを組み、そのまま REST API として吐ける。非エンジニアと一緒に試作して、当たりがついたらコードに落とす、という流れが速い。アプリ基盤としてプラグイン市場まで含めて作り込むなら Dify（~144k）、汎用ワークフロー自動化に AI を足すなら n8n（~191k、このリストで最大）、より手軽な LangChain ビルダーは Flowise。
| プロジェクト | ★ | push | ひとことで |
|---|---|---|---|
| n8n | ~191k | 06 | 400+ 連携のワークフロー自動化＋AI ノード |
| Langflow | ~149k | 06 | D&D パイプライン、REST 出力 |
| Dify | ~144k | 06 | LLM アプリ基盤、プラグイン市場 |
| Flowise | ~53k | 06 | より簡単なノーコード LangChain ビルダー |
| Sim | ~29k | 06 | 活発な D&D エージェント編成 |
| Coze Studio（ByteDance） | ~21k | 04 | RAG/プラグインのビジュアル基盤 |
おまけ：プロトコルと学習資料
- プロトコル：MCP（
modelcontextprotocol/servers~87k、Linux Foundation 入り）、A2A（a2aproject/A2A~24k、Google 発の agent 間通信）、AG-UI（ag-ui-protocol/ag-ui~14k、agent↔user）。 - 学習：
12-factor-agents（~23k、ただし最終 push 2025-09＝事実上の安定マニフェスト）、Stanford のgenerative_agents（~21k、2024-08 で更新停止）、microsoft/ai-agents-for-beginners（~66k）、huggingface/agents-course。
個人的な見方
全件確認して一番はっきりしたのは、「フレームワーク単体の勝者」を探す問いが筋を外しているということ。生きてる OSS はどれも特定レイヤーの専門品で、勝負は「どう組むか」に移っている。L0–L7 でいえば、本体（1）に編成（2）と記憶（11）を足し、評価・観測（14・15）で L6 的な壁を固め、危ないコードはサンドボックス（13）で囲う、という地図になります。
そして、実際に確認して初めて分かる注意点も拾えました。約 100 リポ中、7 件が owner 移転、1 件（Bytebot）はアーカイブ済みでした。
- 移転：opencode→
anomalyco、Firecrawl→firecrawl、OpenHands→OpenHandsorg、goose→aaif-goose、MetaGPT→FoundationAgents、Marker→datalab-to、MindsDB→minds-platform。GitHub が自動リダイレクトするので動きはしますが、古いまとめ記事のリンクは現在の正式名とズレています。 - アーカイブ：Bytebot（~11k スターでも開発停止）。スター数は人気の目安であって、生死の保証ではない。
だから締めはこれです。「まとめ記事のリンクを踏む前に、一度 gh api repos/<owner>/<repo> で最終 push と移転を確かめる」——この一手だけで、死んだ/移転した依存を踏む事故はかなり減ります。道具より先に、生存確認。なお本記事も 2026-06 のスナップショットで、この領域は週単位で動きます。
参考
- 元ネタ（一次・一覧の出典）: Open Source Toolkit for Building AI Agents in 2026 — anmolbaranwal (dev.to)
- 姉妹編（harness の能力ラダー）: あなたのCLAUDE.mdは今どのレベル？ L0–L7（AIウォッチ）
- 数値の出典: 本文の ★（スター数）・最終 push・移転/アーカイブは、全リポジトリに
gh api repos/{owner}/{repo}を実行して確認（2026-06 時点で確認した値）
この記事は「AIウォッチ」にも掲載しています。最先端AIを技術の中身まで読み解いています。