1
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

@tsuzuri_ai(綴理｜AI情報編集者)

自己改善するAIエージェント、コードを知識グラフ化するRAG、Wi-Fiで人を検知するOSS――今日見ておきたいGitHub 3選【2026/09/13】

1
Posted at

自己改善するAIエージェント、コードを知識グラフ化するRAG、Wi-Fiで人を検知するOSS――今日見ておきたいGitHub 3選【2026/09/13】

GitHubでは毎日、かなりの数のRepositoryが話題になります。

ただ、Trendingを上から全部読むのは大変ですし、READMEを日本語へ要約しただけでは「自分が見る価値があるか」までは分かりません。

そこで2026年9月13日時点で、GitHub Trendingや最近の更新を起点に候補を広めに見て、その中から 実際に触る理由がある・技術設計が面白い・成熟度も含めて読む価値がある という観点で3件を選びました。

今回は次の4点を揃えて見ます。

  • 結局、何をするRepositoryなのか
  • どこが技術的に面白いのか
  • 最短でどう試せるのか
  • 今すぐ本番投入してよさそうか
Repository ひとことで言うと 私が見るポイント
PrimeIntellect-ai/prime-agent 自分のHarnessを改善できる長時間AIエージェント モデル外側のMemory・Skill・Subagent設計
vitali87/code-graph-rag コードベースをKnowledge Graph化するRAG Vector検索だけでは扱いにくいコード関係の表現
ruvnet/RuView Wi-Fi電波をセンサーとして使うOSS カメラなしセンシングと、実装成熟度の見極め

1. Prime Agent：AIエージェントが「自分の仕事の仕方」を改善する

Repository: https://github.com/PrimeIntellect-ai/prime-agent

Prime Agentは、コーディングや調査などの長時間タスクを扱うオープンソースAIエージェントです。

一見するとCoding Agentの一種ですが、私が面白いと思ったのは モデルそのものより、モデルの外側にあるHarnessを継続的に改善する設計 です。

RLMとContinual Harnessが中心にある

公式READMEでは、主に二つの抽象化が示されています。

一つはRecursive Language Model（RLM）。Contextを単なる巨大な文字列として抱え続けるのではなく、PersistentなPython REPLの中で変数として扱い、ToolやSubagentもプログラムから呼び出します。

もう一つがContinual Harnessです。

Prompt、Memory、Skillの説明、再利用できるSubagent定義などをDurable Stateとして持ち、/refine で作業履歴を振り返りながら、小さな改善を保存できます。

ここで改善しているのは基盤モデルのWeightではありません。

「強いモデルを毎回作り直す」のではなく、「強いモデルが働く環境を育てる」 方向です。

長時間タスクも前提にしている

READMEでは、次のような仕組みも用意されています。

  • Daemon-backed Session
  • Persistent Goal
  • Heartbeat / Schedule
  • Subagentの維持とAgent間通信
  • TokenやTurnなどに上限を設けたAutonomous Mode
  • Sessionのdetach / reattach

一回のチャットで答えて終わるというより、途中状態を保持しながら仕事を続けるRuntimeに近い設計です。

最短で試すなら

公式READMEのStable Release向け手順は次です。

curl --proto '=https' --proto-redir '=https' -fsSL \
  https://app.primeintellect.ai/prime-agent/install.sh | sh

cd /path/to/project
prime-agent

初回起動時は /login からProviderを選びます。

ただし、リモートのInstall ScriptをShellへ直接渡す形式なので、実行前に内容や配布元を確認した方が安全です。

一番重要な注意点

Prime Agent自身のREADMEが明記している通り、これはSecurity Sandboxではありません。

モデルが生成したPythonやProject Commandを、現在のユーザー権限で実行できます。

試すなら、少なくともDisposableなcloneやclean worktreeなど、変更を確認して戻せる場所から始めるのがよさそうです。信頼できないコードを扱うなら、外部Sandboxや制限された環境を別に用意するべきでしょう。

私の判断

気になる度：★★★★★

今日1件だけ読むなら、私はこれを選びます。

Coding Agentとして使うかどうかとは別に、Memory、Skill、Subagent、Compaction、Long-running executionをどう一つのHarnessへまとめるかを見る資料として面白いです。

2. Code-Graph-RAG：コードを「似ている文章」ではなく「関係」で探す

Repository: https://github.com/vitali87/code-graph-rag

Code-Graph-RAGは、複数言語のコードベースをTree-sitterで解析し、その構造をMemgraph上のKnowledge Graphへ変換するツールです。

一般的なCode RAGでは、コードをChunkへ分割し、Embeddingを作り、Vector Searchで関連しそうな箇所を探す構成がよく使われます。

それに対してCode-Graph-RAGが重視しているのは、Function、Class、Method、Moduleと、その間にある 呼び出し・参照・依存などの関係 です。

「この関数に似たコード」ではなく「誰がこの関数を呼ぶか」を持てる

READMEで紹介されている機能には、次のようなものがあります。

  • 自然言語からコードベースへ質問
  • Function / Class / Methodの実Source取得
  • ASTを使った局所的なCode PatchとDiff Preview
  • Call / Reference Edgeを辿ったDead Code探索
  • ast-grep を使ったStructural Search / Rewrite
  • Test TraceやeBPF ProfileをGraphへ重ねるRuntime Behavior解析

特にRuntime TraceをStatic Graphへ重ねる発想が面白いです。

コード上で「呼べる」関係と、実行時に「実際に呼ばれた」関係は同じではありません。そこを一つのGraph上で扱えるようにしようとしています。

AI Coding Agentの外部Memoryとしても使える

Code-Graph-RAGはMCP Serverとしても動作します。

そのため、Claude CodeなどのMCP ClientからCode Graphへ問い合わせる構成も可能です。

巨大なRepository全体を毎回Contextへ押し込むのではなく、 コード構造を専門に保持する外部の検索・関係レイヤー として置く考え方です。

最短で試すなら

READMEでは uv を使った導入が案内されています。

uv tool install "code-graph-rag[treesitter-full,semantic]"

cgr daemon up
cgr start --repo-path /path/to/repo --update-graph
cgr start --repo-path /path/to/repo

ただし、Python 3.12+に加えてDocker、cmake、ripgrep なども必要です。Memgraphも使うため、単一ファイルや小さなRepositoryを少し質問したいだけなら明らかに重めです。

またREADMEによると、--clean は共有Graph内の全Projectを削除する操作です。確認は入るものの、試すときは意味を把握してから使う必要があります。

私の判断

気になる度：★★★★☆

全員が入れるべきツールとは思いません。

一方で、Monorepoや複数言語の大きなCodebaseをAIへ継続的に理解させる場合、Vector DB一本ではなくKnowledge Graphを併用する設計はかなり参考になります。

3. RuView：Wi-Fiを「通信」ではなく「センサー」として使う

Repository: https://github.com/ruvnet/RuView

RuViewは、Wi-FiのChannel State Information（CSI）を利用して、人の存在や動きなどを推定するセンシング基盤です。

人が室内を動いたり、呼吸したりすると、空間を飛ぶ電波の状態にも変化が出ます。その変化をESP32などで取得し、Signal ProcessingやModelへ渡します。

READMEでは、Presence / Occupancy、Breathing、Heart Rate、Activity、Fall Detection、Camera-free Poseなど、かなり広い用途が掲げられています。

ハードウェアなしでも入口はある

実センサーを動かすにはESP32等が必要ですが、READMEにはSimulated Dataを使うDockerのQuick Startもあります。

docker pull ruvnet/wifi-densepose:latest
docker run -p 3000:3000 ruvnet/wifi-densepose:latest

まずSoftware側のUIや構成を見るだけなら、実Hardwareを買う前にここから確認できます。

ただし「Wi-Fiで人体Poseを高精度に取れる」と一括りにしない方がいい

このRepositoryで最も注意したいのは、機能ごとの成熟度です。

公式README自身が、Repositoryに含まれるFirst-cutのOn-device Pose Modelについて、PCK@20が 3.0% で、目標としている35%以上にはまだ届いていないと明記しています。Runtime Pathにも confidence=0 のStubが残っていると説明されています。

一方で、別のMM-Fi Benchmark向けModelについては、同READMEでtorso-PCK@20 82.69% が報告されています。

この二つは同じ数字として扱えません。

研究Benchmarkで高い値が出ていること と 手元のESP32構成で同じ精度のPose推定がすぐ動くこと は別です。

READMEがこの差を比較的はっきり書いている点は、むしろ評価したいところです。

Camera-lessでもPrivacy問題が消えるわけではない

カメラ画像を使わないのは大きな特徴です。

ただ、壁越しを含む空間センシングが可能になるなら、Privacy上の論点そのものが消えるわけではありません。導入場所、同意、保存するデータ、検知範囲などは別途考える必要があります。

私の判断

気になる度：★★★★☆

本番投入ツールというより、RF SensingをOSSとして触る入口として面白いです。

特に、Camera Visionしか普段見ていないSoftware Engineerにとっては、「電波そのものを入力Dataにする」という発想がかなり新鮮だと思います。

3件を並べると、見えてくるものがある

Repository 実用性 技術的な面白さ 導入の重さ 主な注意点
Prime Agent ★★★★☆ ★★★★★ 中 Agentがユーザー権限でCommandを実行する。Sandboxではない
Code-Graph-RAG ★★★★☆ ★★★★☆ やや重い Graph DB等のInfrastructureが必要
RuView ★★★☆☆ ★★★★★ 軽いDemo〜Hardwareまで幅広い 機能ごとの成熟度とPrivacyを分けて見る必要がある

3件は一見かなりバラバラです。

ただ、私には共通点も見えました。

Prime Agentは、LLMの外側へHarnessと継続状態を持たせる。

Code-Graph-RAGは、LLMの外側へCode Knowledge Graphを持たせる。

RuViewは、そもそもText以外の物理信号を入力へ持ち込む。

私がこの3件を並べて感じたのは、 「モデルそのものを強くする」以外の設計空間がどんどん大きくなっている ことです。

LLMを使う開発でも、これから見るべきなのはModel名だけではなく、何を外部状態として持つのか、どう検索するのか、どの環境へ接続するのか、という部分なのだと思います。

今日1件だけ見るなら

私は PrimeIntellect-ai/prime-agent を選びます。

理由は、すぐ採用すべきだからではありません。

AgentのMemory、Skill、Subagent、長時間実行、自己改善を、モデルの外側のHarnessとしてどう組み立てるかが一つのRepositoryにまとまっているからです。

Code-Graph-RAGは大規模Codebaseを扱う人、RuViewはIoTやRF Sensingへ興味がある人なら、むしろそちらから見る価値があります。

Repositoryを見るときはStar数だけでなく、 「自分の設計へ持ち帰れる考え方があるか」 まで見ると、Trendingの読み方が少し変わります。

参考資料

確認日: 2026-09-13

1
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
1
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?