Flow {
    string id PK
    string name "Flow name"
    string description "Flow description"
    string status "active/completed/failed"
    json parameters "Flow parameters"
    timestamp created_at
    timestamp updated_at
}

Task {
    string id PK
    string flow_id FK
    string name "Task name"
    string description "Task description"
    string status "pending/running/done/failed"
    json result "Task results"
    timestamp created_at
    timestamp updated_at
}

SubTask {
    string id PK
    string task_id FK
    string name "Subtask name"
    string description "Subtask description"
    string status "queued/running/completed/failed"
    string agent_type "researcher/developer/executor"
    json context "Agent context"
    timestamp created_at
    timestamp updated_at
}

Action {
    string id PK
    string subtask_id FK
    string type "command/search/analyze/etc"
    string status "success/failure"
    json parameters "Action parameters"
    json result "Action results"
    timestamp created_at
}

Artifact {
    string id PK
    string action_id FK
    string type "file/report/log"
    string path "Storage path"
    json metadata "Additional info"
    timestamp created_at
}

Memory {
    string id PK
    string action_id FK
    string type "observation/conclusion"
    vector embedding "Vector representation"
    text content "Memory content"
    timestamp created_at
}

</details>

<details>
<summary><b>エージェントインタラクション</b> (クリックで展開)</summary>```mermaid
sequenceDiagram
    participant O as Orchestrator
    participant R as Researcher
    participant D as Developer
    participant E as Executor
    participant VS as Vector Store
    participant KB as Knowledge Base

    Note over O,KB: Flow Initialization
    O->>VS: Query similar tasks
    VS-->>O: Return experiences
    O->>KB: Load relevant knowledge
    KB-->>O: Return context

    Note over O,R: Research Phase
    O->>R: Analyze target
    R->>VS: Search similar cases
    VS-->>R: Return patterns
    R->>KB: Query vulnerabilities
    KB-->>R: Return known issues
    R->>VS: Store findings
    R-->>O: Research results

    Note over O,D: Planning Phase
    O->>D: Plan attack
    D->>VS: Query exploits
    VS-->>D: Return techniques
    D->>KB: Load tools info
    KB-->>D: Return capabilities
    D-->>O: Attack plan

    Note over O,E: Execution Phase
    O->>E: Execute plan
    E->>KB: Load tool guides
    KB-->>E: Return procedures
    E->>VS: Store results
    E-->>O: Execution status

subgraph "Working Memory"
    Context[Current Context<br/>Task State]
    Goals[Active Goals<br/>Objectives]
    State[System State<br/>Resources]
end

subgraph "Episodic Memory"
    Actions[Past Actions<br/>Commands History]
    Results[Action Results<br/>Outcomes]
    Patterns[Success Patterns<br/>Best Practices]
end

Context --> |Query| VS
VS --> |Retrieve| Context

Goals --> |Consult| KB
KB --> |Guide| Goals

State --> |Record| Actions
Actions --> |Learn| Patterns
Patterns --> |Store| VS

Tools --> |Inform| State
Results --> |Update| Tools

VS --> |Enhance| KB
KB --> |Index| VS

classDef ltm fill:#f9f,stroke:#333,stroke-width:2px,color:#000
classDef wm fill:#bbf,stroke:#333,stroke-width:2px,color:#000
classDef em fill:#bfb,stroke:#333,stroke-width:2px,color:#000

class VS,KB,Tools ltm
class Context,Goals,State wm
class Actions,Results,Patterns em

</details>

<details>
<summary><b>チェーン要約</b>（クリックで展開）</summary>

チェーン要約システムは、古いメッセージを選択的に要約することで会話コンテキストの増大を管理します。これは、会話の一貫性を維持しながらトークン制限の超過を防ぐために重要です。```mermaid
flowchart TD
    A[Input Chain] --> B{Needs Summarization?}
    B -->|No| C[Return Original Chain]
    B -->|Yes| D[Convert to ChainAST]
    D --> E[Apply Section Summarization]
    E --> F[Process Oversized Pairs]
    F --> G[Manage Last Section Size]
    G --> H[Apply QA Summarization]
    H --> I[Rebuild Chain with Summaries]
    I --> J{Is New Chain Smaller?}
    J -->|Yes| K[Return Optimized Chain]
    J -->|No| C

    classDef process fill:#bbf,stroke:#333,stroke-width:2px,color:#000
    classDef decision fill:#bfb,stroke:#333,stroke-width:2px,color:#000
    classDef output fill:#fbb,stroke:#333,stroke-width:2px,color:#000

    class A,D,E,F,G,H,I process
    class B,J decision
    class C,K output

</details>

<a id="advanced-agent-supervision"></a>
<details>
<summary><b>高度なエージェント監視</b> （クリックして展開）</summary>

PentAGIには、効率的なタスク実行、無限ループの防止、スタック状態からのインテリジェントな回復を実現する、洗練された多層エージェント監視メカニズムが含まれています。

### 実行監視（ベータ版）
- **自動メンター介入**：実行パターンが潜在的な問題を示している場合、アドバイザーエージェント（メンター）が自動的に呼び出されます。
- **パターン検出**：同一ツール呼び出しの監視（しきい値：5、設定可能）および総ツール呼び出しの監視（しきい値：10、設定可能）
- **進捗分析**：エージェントがサブタスクの目的に向かって進んでいるか評価し、ループや非効率を検出します。
- **代替戦略**：現在の戦略が失敗した場合に異なるアプローチを推奨します。
- **情報検索ガイダンス**：ゼロから解決策を作り直すのではなく、既存の解決策を検索することを提案します。
- **拡張応答形式**：ツール応答には`<original_result>`と`<mentor_analysis>`の両方のセクションが含まれます。
- **設定可能**：`EXECUTION_MONITOR_ENABLED` で有効化（デフォルト：false）、しきい値は `EXECUTION_MONITOR_SAME_TOOL_LIMIT` と `EXECUTION_MONITOR_TOTAL_TOOL_LIMIT` でカスタマイズ。

**最適な用途**：小規模モデル（< 32Bパラメータ）、継続的なガイダンスが必要な複雑な攻撃シナリオ、エージェントが単一のアプローチに行き詰まるのを防ぐ場合。

**パフォーマンスへの影響**：実行時間とトークン使用量が2～3倍増加しますが、Qwen3.5-27B-FP8でのテストに基づき、結果品質は**2倍向上**します。

### インテリジェントタスク計画（ベータ版）
- **自動分解**：専門エージェントが作業を開始する前に、プランナー（プランニングモードのアドバイザー）が3～7の具体的かつ実行可能なステップを生成します。
- **コンテキスト認識計画**：エンリッチャーエージェントを通じて完全な実行コンテキストを分析し、情報に基づいた計画を作成します。
- **構造化割り当て**：元のリクエストは、実行計画と指示を含む`<task_assignment>`構造でラップされます。
- **スコープ管理**：エージェントを現在のサブタスクのみに集中させることで、スコープの拡大を防ぎます。
- **強化された指示**：計画では、重要なアクション、潜在的な落とし穴、検証ポイントが強調表示されます。
- **設定可能**：`AGENT_PLANNING_STEP_ENABLED` で有効化（デフォルト：false）。

**最適な用途**：< 32Bパラメータのモデル、複雑なペネトレーションテストワークフロー、高度なタスクでの成功率向上。

**強化アドバイザー設定**：アドバイザーエージェントがより強力なモデルまたは拡張設定を使用する場合に特に効果的です。例：同一ベースモデルをアドバイザーに最大推論モードで使用する（[`vllm-qwen3.5-27b-fp8.provider.yml`](https://github.com/vxcontrol/pentagi/blob/main/examples/configs/vllm-qwen3.5-27b-fp8.provider.yml) を参照）ことで、同一モデルアーキテクチャから包括的なタスク分析と戦略計画を実現します。

**パフォーマンスへの影響**：計画にかかるオーバーヘッドが追加されますが、完了率が大幅に向上し、冗長な作業が削減されます。

### ツール呼び出し制限（常時有効）
- **ハードリミット**：監視モードの状態に関係なく、実行の暴走を防ぎます。
- **エージェントタイプごとに異なる**：
  - 汎用エージェント（アシスタント、プライマリエージェント、ペンテスター、コーダー、インストーラー）：`MAX_GENERAL_AGENT_TOOL_CALLS`（デフォルト：100）
  - 制限付きエージェント（サーチャー、エンリッチャー、メモリスト、ジェネレーター、レポーター、アドバイザー、リフレクター、プランナー）：`MAX_LIMITED_AGENT_TOOL_CALLS`（デフォルト：20）
- **正常終了**：リフレクターが制限に近づいたエージェントを適切な完了に導きます。
- **リソース保護**：システムの安定性を確保し、リソースの枯渇を防ぎます。

### リフレクター統合（常時有効）
- **自動修正**：LLMが3回試行してもツール呼び出しを生成できない場合に呼び出されます。
- **戦略的ガイダンス**：失敗を分析し、エージェントを適切なツール使用またはバリアツール（`done`、`ask`）へ導きます。
- **回復メカニズム**：特定の失敗パターンに基づいたコンテキストに応じたガイダンスを提供します。
- **制限の実施**：ツール呼び出し制限に達した場合に正常終了を調整します。

### オープンソースモデルへの推奨

**< 32Bパラメータのモデルには必須**：
Qwen3.5-27B-FP8によるテストでは、小規模なオープンソースモデルにとって実行監視とタスク計画の両方を有効にすることが**不可欠**であることが示されています。
- **品質向上**：監視なしのベースライン実行と比較して、結果が2倍良好。
- **ループ防止**：無限ループと冗長な作業を大幅に削減。
- **攻撃の多様性**：単一のアプローチに固執するのではなく、複数の攻撃ベクトルの探索を促進。
- **エアギャップ環境での展開**：ローカルLLM推論を使用した閉じたネットワーク環境で、本番環境グレードの自律型ペネトレーションテストを実現。

**トレードオフ**：
- トークン消費量：メンタープランナーの呼び出しにより2～3倍増加。
- 実行時間：分析および計画ステップにより2～3倍増加。
- 結果品質：完全性、正確性、攻撃カバレッジが2倍向上。
- モデル要件：アドバイザーが拡張設定（より高い推論パラメータ、より強力なモデルバリアント、または異なるモデル）を使用する場合に最適。

**設定戦略**：
小規模モデルで最適なパフォーマンスを得るには、アドバイザーエージェントを拡張設定で構成します。
- 同一モデルを最大推論モードで使用（例：[`vllm-qwen3.5-27b-fp8.provider.yml`](https://github.com/vxcontrol/pentagi/blob/main/examples/configs/vllm-qwen3.5-27b-fp8.provider.yml)）。
- または、他のエージェントにはベースモデルを維持しつつ、アドバイザーにはより強力なモデルを使用。
- タスクの複雑さとモデルの能力に基づいて監視しきい値を調整します。



</details>

PentAGIのアーキテクチャは、モジュール式でスケーラブルかつ安全になるように設計されています。主要なコンポーネントは以下のとおりです。

1. **コアサービス**
   - フロントエンドUI：TypeScriptによる型安全性を備えたReactベースのWebインターフェース
   - バックエンドAPI：GoベースのRESTおよびGraphQL API。プログラムによるアクセス用にベアラートークン認証を実装
   - ベクトルストア：セマンティック検索とメモリストレージのためのpgvectorを備えたPostgreSQL
   - タスクキュー：信頼性の高い運用のための非同期タスク処理システム
   - AIエージェント：効率的なテストのための専門的な役割を持つマルチエージェントシステム

2. **ナレッジグラフ**
   - Graphiti：セマンティック関係の追跡とコンテキスト理解のためのナレッジグラフAPI
   - Neo4j：エンティティ、アクション、結果間の関係を保存および照会するためのグラフデータベース
   - 包括的な知識ベース構築のためのエージェント応答とツール実行の自動キャプチャ

3. **監視スタック**
   - OpenTelemetry：統一された可観測性データの収集と相関
   - Grafana：リアルタイムの可視化とアラートダッシュボード
   - VictoriaMetrics：高性能時系列メトリクスストレージ
   - Jaeger：デバッグのためのエンドツーエンド分散トレーシング
   - Loki：スケーラブルなログ集約と分析

4. **分析プラットフォーム**
   - Langfuse：高度なLLM可観測性とパフォーマンス分析
   - ClickHouse：カラム指向分析データウェアハウス
   - Redis：高速キャッシュとレート制限
   - MinIO：アーティファクト用のS3互換オブジェクトストレージ

5. **セキュリティツール**
   - Webスクレイパー：安全なWebインタラクションのための隔離ブラウザ環境
   - ペネトレーションテスティングツール：20以上のプロフェッショナルセキュリティツールの包括的なスイート
   - サンドボックス実行：すべての操作は隔離コンテナ内で実行

6. **メモリシステム**
   - 長期メモリ：知識と経験の永続的ストレージ
   - ワーキングメモリ：現在の操作のためのアクティブなコンテキストと目標
   - エピソードメモリ：過去のアクションと成功パターン
   - 知識ベース：構造化されたドメイン専門知識とツール機能
   - コンテキスト管理：チェーン要約を使用して成長するLLMコンテキストウィンドウをインテリジェントに管理

システムは、分離と簡単なデプロイのためにDockerコンテナを使用し、コアサービス、監視、分析用に別々のネットワークを備えて、適切なセキュリティ境界を確保します。各コンポーネントは水平方向にスケーリング可能に設計されており、本番環境で高可用性を実現するように構成できます。

## クイックスタート

### システム要件

- DockerおよびDocker Compose（またはPodman - [Podman設定](#running-pentagi-with-podman)を参照）
- 最低2 vCPU
- 最低4GB RAM
- 20GBの空きディスク容量
- イメージとアップデートをダウンロードするためのインターネットアクセス

### インストーラーの使用（推奨）

PentAGIは、設定とデプロイを効率化するためのターミナルベースのUIを備えた対話型インストーラーを提供します。インストーラーは、システムチェック、LLMプロバイダーのセットアップ、検索エンジンの設定、セキュリティ強化をガイドします。

**対応プラットフォーム：**
- **Linux**：amd64 [ダウンロード](https://pentagi.com/downloads/linux/amd64/installer-latest.zip) | arm64 [ダウンロード](https://pentagi.com/downloads/linux/arm64/installer-latest.zip)
- **Windows**：amd64 [ダウンロード](https://pentagi.com/downloads/windows/amd64/installer-latest.zip)
- **macOS**：amd64（Intel）[ダウンロード](https://pentagi.com/downloads/darwin/amd64/installer-latest.zip) | arm64（Mシリーズ）[ダウンロード](https://pentagi.com/downloads/darwin/arm64/installer-latest.zip)

**クイックインストール（Linux amd64）：**```bash
# Create installation directory
mkdir -p pentagi && cd pentagi

# Download installer
wget -O installer.zip https://pentagi.com/downloads/linux/amd64/installer-latest.zip

# Extract
unzip installer.zip

# Run interactive installer
./installer

2. `.env.example` を `.env` にコピーするか、ダウンロードしてください:```bash
curl -o .env https://raw.githubusercontent.com/vxcontrol/pentagi/master/.env.example

4. `.env` ファイルに必要なAPIキーを入力してください。```bash
# Required: At least one of these LLM providers
OPEN_AI_KEY=your_openai_key
ANTHROPIC_API_KEY=your_anthropic_key
GEMINI_API_KEY=your_gemini_key

# Optional: AWS Bedrock provider (enterprise-grade models)
BEDROCK_REGION=us-east-1
# Choose one authentication method:
BEDROCK_DEFAULT_AUTH=true                        # Option 1: Use AWS SDK default credential chain (recommended for EC2/ECS)
# BEDROCK_BEARER_TOKEN=your_bearer_token         # Option 2: Bearer token authentication
# BEDROCK_ACCESS_KEY_ID=your_aws_access_key      # Option 3: Static credentials
# BEDROCK_SECRET_ACCESS_KEY=your_aws_secret_key

# Optional: Ollama provider (local or cloud)
# OLLAMA_SERVER_URL=http://ollama-server:11434   # Local server
# OLLAMA_SERVER_URL=https://ollama.com           # Cloud service
# OLLAMA_SERVER_API_KEY=your_ollama_cloud_key    # Required for cloud, empty for local

# Optional: Chinese AI providers
# DEEPSEEK_API_KEY=your_deepseek_key             # DeepSeek (strong reasoning)
# GLM_API_KEY=your_glm_key                       # GLM (Zhipu AI)
# KIMI_API_KEY=your_kimi_key                     # Kimi (Moonshot AI, ultra-long context)
# QWEN_API_KEY=your_qwen_key                     # Qwen (Alibaba Cloud, multimodal)

# Optional: Local LLM provider (zero-cost inference)
OLLAMA_SERVER_URL=http://localhost:11434
OLLAMA_SERVER_MODEL=your_model_name

# Optional: Additional search capabilities
DUCKDUCKGO_ENABLED=true
DUCKDUCKGO_REGION=us-en
DUCKDUCKGO_SAFESEARCH=
DUCKDUCKGO_TIME_RANGE=
SPLOITUS_ENABLED=true
GOOGLE_API_KEY=your_google_key
GOOGLE_CX_KEY=your_google_cx
TAVILY_API_KEY=your_tavily_key
TRAVERSAAL_API_KEY=your_traversaal_key
PERPLEXITY_API_KEY=your_perplexity_key
PERPLEXITY_MODEL=sonar-pro
PERPLEXITY_CONTEXT_SIZE=medium

# Searxng meta search engine (aggregates results from multiple sources)
SEARXNG_URL=http://your-searxng-instance:8080
SEARXNG_CATEGORIES=general
SEARXNG_LANGUAGE=
SEARXNG_SAFESEARCH=0
SEARXNG_TIME_RANGE=
SEARXNG_TIMEOUT=

## Graphiti knowledge graph settings
GRAPHITI_ENABLED=true
GRAPHITI_TIMEOUT=30
GRAPHITI_URL=http://graphiti:8000
GRAPHITI_MODEL_NAME=gpt-5-mini

# Neo4j settings (used by Graphiti stack)
NEO4J_USER=neo4j
NEO4J_DATABASE=neo4j
NEO4J_PASSWORD=devpassword
NEO4J_URI=bolt://neo4j:7687

# Assistant configuration
ASSISTANT_USE_AGENTS=false         # Default value for agent usage when creating new assistants

7. PentAGI スタックを実行する:```bash
curl -O https://raw.githubusercontent.com/vxcontrol/pentagi/master/docker-compose.yml
docker compose up -d

> [!IMPORTANT]
> - `192.168.1.100` を実際のサーバーのIPアドレスに置き換えてください
> - `PUBLIC_URL` または `CORS_ORIGINS` に `0.0.0.0` を使用しないでください — 実際のIPアドレスを使用してください
> - 柔軟性のために `CORS_ORIGINS` に localhost とサーバーIPの両方を含めてください

2. **コンテナを再作成** して変更を適用します:```bash
docker compose down
docker compose up -d --force-recreate

次のような出力が表示されるはずです: `0.0.0.0:8443->8443/tcp` または `:::8443->8443/tcp`。

`127.0.0.1:8443->8443/tcp` が表示された場合、環境変数が正しく読み込まれていません。その場合は、`docker-compose.yml` の31行目を直接編集してください:```yaml
ports:
  - "0.0.0.0:8443:8443"

5. **PentAGIへアクセス:**

- **ローカルアクセス:** `https://localhost:8443`
- **ネットワークアクセス:** `https://your-server-ip:8443`

> [!NOTE]
> IPアドレス経由でアクセスする際には、ブラウザで自己署名SSL証明書の警告を受け入れる必要があります。

---

### PodmanでPentAGIを実行する

PentAGIはDockerの代替としてPodmanを完全にサポートしています。ただし、**ルートレスモードのPodman**を使用する場合、スクレイパーサービスには特別な設定が必要です。ルートレスコンテナは特権ポート（1024未満のポート）にバインドできないためです。

#### Podmanルートレス設定

デフォルトのスクレイパー設定では特権ポートであるポート443（HTTPS）を使用します。Podmanルートレスの場合、スクレイパーを非特権ポートを使用するように再設定してください：

**1. `docker-compose.yml`を編集** - `scraper`サービスを変更します（199行目付近）：```yaml
scraper:
  image: vxcontrol/scraper:latest
  restart: unless-stopped
  container_name: scraper
  hostname: scraper
  expose:
    - 3000/tcp  # Changed from 443 to 3000
  ports:
    - "${SCRAPER_LISTEN_IP:-127.0.0.1}:${SCRAPER_LISTEN_PORT:-9443}:3000"  # Map to port 3000
  environment:
    - MAX_CONCURRENT_SESSIONS=${LOCAL_SCRAPER_MAX_CONCURRENT_SESSIONS:-10}
    - USERNAME=${LOCAL_SCRAPER_USERNAME:-someuser}
    - PASSWORD=${LOCAL_SCRAPER_PASSWORD:-somepass}
  logging:
    options:
      max-size: 50m
      max-file: "7"
  volumes:
    - scraper-ssl:/usr/src/app/ssl
  networks:
    - pentagi-network
  shm_size: 2g

> [!IMPORTANT]
> Podman に関する主な変更点:
> - `SCRAPER_PRIVATE_URL` には HTTPS ではなく **HTTP** を使用する
> - ポート443ではなくポート**3000**を使用する
> - 内部の `expose` を `3000/tcp` に変更する
> - ポートマッピングを443ではなく`3000`をターゲットに更新する

**3. コンテナを再作成:**```bash
podman-compose down
podman-compose up -d --force-recreate

HTML出力が表示されていれば、スクレイパーは正常に動作しています。

#### Podman Rootful モード

Podman をルートフルモード（sudo 使用）で実行している場合、デフォルト設定を変更せずに使用できます。スクレイパーは意図したとおりポート 443 で動作します。

#### Docker 互換性

すべての Podman 設定は Docker と完全に互換性があります。非特権ポートのアプローチは両方のコンテナランタイムで同じように機能します。

### アシスタント設定

PentAGI では、アシスタントのデフォルト動作を設定できます。

| 変数               | デフォルト | 説明                                                             |
| ---------------------- | ------- | ----------------------------------------------------------------------- |
| `ASSISTANT_USE_AGENTS` | `false` | 新しいアシスタント作成時のエージェント使用のデフォルト値を制御します |

`ASSISTANT_USE_AGENTS` 設定は、UI で新しいアシスタントを作成する際の「Use Agents」トグルの初期状態に影響します。
- `false`（デフォルト）: 新しいアシスタントはエージェント委任が無効で作成されます
- `true`: 新しいアシスタントはエージェント委任が有効で作成されます

なお、ユーザーはアシスタントの作成または編集時に UI の「Use Agents」ボタンを切り替えることで、この設定をいつでも上書きできます。この環境変数は初期のデフォルト状態のみを制御します。

## ログイン後の PentAGI の使用方法

スタックが実行され、Web UI にサインインできるようになったら、最も早い開始方法は Flows ワークフローを使用することです。

### 1. 最初のフローを作成する

1. サイドバーで **Flows** を開きます。
2. **New Flow** をクリックします。
3. 目的に合ったモードを選択します:
   - **Automation**: テスト目標に対して PentAGI がエンドツーエンドで実行する完全自律的な実行
   - **Assistant**: 調査を段階的に進めたい場合の対話型のバックアンドフォースヘルプ。このモードでは、**Use Agents** トグルを有効にして、PentAGI が複雑な調査のために特殊なサブエージェントにサブタスクを委任することもできます。
4. このフローに使用する LLM プロバイダを選択します。
5. メッセージボックスに、ターゲットと目的を自然言語で記述します。

適切な最初のプロンプトには通常以下が含まれます:

- ターゲットシステムまたは URL
- 希望する評価の種類
- スコープの制限やエンゲージメントルール
- 期待する結果（脆弱性レポートや仮説の検証など）

例:```text
Assess https://target.example for common web application vulnerabilities. Focus on authentication, file handling, and injection issues. Stay within the provided target only and summarize confirmed findings with reproduction steps.

### APIの探索とテスト

PentAGIは、APIエンドポイントを探索およびテストするためのインタラクティブなドキュメントを提供します：

#### GraphQL Playground

GraphQL Playgroundには `https://your-pentagi-instance:8443/api/v1/graphql/playground` でアクセスします

1. 下部の **HTTP Headers** タブをクリックします
2. 認証ヘッダーを追加します：   ```json
   {
     "Authorization": "Bearer YOUR_API_TOKEN"
   }

**有料ティアのセットアップ（複数モデル・事前設定済み構成）**

複数の同時モデルをサポートする有料ティアでは、事前構築されたOllama Cloud構成を使用します：```bash
# Using pre-built Ollama Cloud configuration (included in Docker image)
OLLAMA_SERVER_URL=https://ollama.com
OLLAMA_SERVER_API_KEY=your_ollama_cloud_api_key
OLLAMA_SERVER_CONFIG_PATH=/opt/pentagi/conf/ollama-cloud.provider.yml

`PENTAGI_OLLAMA_SERVER_CONFIG_PATH` 環境変数は、ホストの設定ファイルをコンテナ内の `/opt/pentagi/conf/ollama.provider.yml` にマッピングします。

**カスタム設定の例** (`my-ollama-config.yml`):```yaml
primary_agent:
  model: "qwen3-coder-next:cloud"
  temperature: 1.0
  top_p: 0.9
  max_tokens: 32768
  reasoning:
    effort: high

coder:
  model: "qwen3-coder:32b"
  temperature: 1.0
  max_tokens: 20480

**パフォーマンスに関する考慮事項:**

- **モデル検出**（`OLLAMA_SERVER_LOAD_MODELS_ENABLED=true`）：Ollama APIへの問い合わせで起動レイテンシが1～2秒追加されます
- **自動プル**（`OLLAMA_SERVER_PULL_MODELS_ENABLED=true`）：初回起動時にモデルのダウンロードに数分かかる場合があります
- **プルタイムアウト**（`OLLAMA_SERVER_PULL_MODELS_TIMEOUT=900`）：900秒（15分）
- **静的設定**：両方のフラグを無効にして、設定ファイルでモデルを指定すると起動が最速になります

#### 拡張コンテキストを持つカスタムOllamaモデルの作成

PentAGIでは、デフォルトのOllama設定よりも大きなコンテキストウィンドウを持つモデルが必要です。Modelfileを使用して、`num_ctx`パラメーターを増やしたカスタムモデルを作成する必要があります。通常のエージェントワークフローでは約64Kトークンを消費しますが、PentAGIでは安全マージンと複雑な侵入テストシナリオを処理するために110Kのコンテキストサイズを使用しています。

**重要**: `num_ctx`パラメーターは、Modelfileによるモデル作成時にのみ設定できます。作成後や実行時に上書きすることはできません。

##### 例: 拡張コンテキスト対応のQwen3 32B FP16

`Modelfile_qwen3_32b_fp16_tc`という名前のModelfileを作成します:```dockerfile
FROM qwen3:32b-fp16
PARAMETER num_ctx 110000
PARAMETER temperature 0.3
PARAMETER top_p 0.8
PARAMETER min_p 0.0
PARAMETER top_k 20
PARAMETER repeat_penalty 1.1

##### 例: QwQ 32B FP16 拡張コンテキスト付き

`Modelfile_qwq_32b_fp16_tc` という名前のModelfileを作成します:```dockerfile
FROM qwq:32b-fp16
PARAMETER num_ctx 110000
PARAMETER temperature 0.2
PARAMETER top_p 0.7
PARAMETER min_p 0.0
PARAMETER top_k 40
PARAMETER repeat_penalty 1.2

> **注意**: QwQ 32B FP16 モデルは推論に約 **71.3 GB VRAM** を必要とします。このモデルを使用する前に、システムに十分な GPU メモリがあることを確認してください。

これらのカスタムモデルは、Docker イメージに含まれる `/opt/pentagi/conf/` 内の事前構築済みプロバイダ設定ファイル (`ollama-qwen332b-fp16-tc.provider.yml` および `ollama-qwq32b-fp16-tc.provider.yml`) で参照されています。

### OpenAI プロバイダ設定

PentAGI は、OpenAI の包括的なモデルラインアップと統合されています。拡張された思考連鎖を用いた高度な推論機能、ツール統合が強化されたエージェントモデル、およびセキュリティエンジニアリング向けの特殊なコードモデルを備えています。

#### 設定変数

| 変数                 | デフォルト                   | 説明                        |
| -------------------- | --------------------------- | --------------------------- |
| `OPEN_AI_KEY`        |                             | OpenAI サービスの API キー  |
| `OPEN_AI_SERVER_URL` | `https://api.openai.com/v1` | OpenAI API エンドポイント    |

#### 設定例```bash
# Basic OpenAI setup
OPEN_AI_KEY=your_openai_api_key
OPEN_AI_SERVER_URL=https://api.openai.com/v1

# Using with proxy for enhanced security
OPEN_AI_KEY=your_openai_api_key
PROXY_URL=http://your-proxy:8080

> [!NOTE]
> **Claudeモデル向けGoogle Vertex AI**
>
> PentAGIは現在、`.env`でAnthropic Claude向けの専用Google Vertex AI設定パスを公開していません。現時点では別途Vertex AI APIキーフィールドはなく、既存のAnthropic変数（`ANTHROPIC_API_KEY`、`ANTHROPIC_SERVER_URL`）は直接Anthropic APIをターゲットとしています。Claudeのサポートされる経路は次のとおりです。
>
> - **直接Anthropic API**: `ANTHROPIC_API_KEY`および`ANTHROPIC_SERVER_URL`（上記参照）。
> - **AWS Bedrock**: `BEDROCK_*`変数（[AWS Bedrockプロバイダー設定](#aws-bedrock-provider-configuration)を参照）。
>
> 現在Vertex AIを使用する必要がある場合、最も安全なサポートされている回避策は、Vertex AIの呼び出しをChat Completions形式に変換しながら、PentAGIが依存するチャットおよびツール呼び出し動作を保持するOpenAI互換プロキシまたはゲートウェイを介してVertex AIを公開し、その後`LLM_SERVER_URL`、`LLM_SERVER_KEY`、`LLM_SERVER_MODEL`を介してカスタムLLMプロバイダーをそのゲートウェイに向けることです。このパスは、選択するゲートウェイと同じくらい信頼性があります。

#### サポート対象モデル

PentAGIは、ツール呼び出し、ストリーミング、拡張思考、適応思考、プロンプトキャッシングを備えた10のClaudeモデルをサポートしています。`*`が付いたモデルはデフォルト設定で使用されます。

**Claude 4シリーズ - 最新モデル（2025-2026）**

| モデルID                | 思考 | リリース日 | 価格（入力/出力/キャッシュR/W） | 使用目的                                      |
| ----------------------- | ---- | ---------- | -------------------------------- | --------------------------------------------- |
| `claude-opus-4-6`*      | ✅   | 2025年5月  | $5.00/$25.00/$0.50/$6.25        | 自律エージェントとコーディングに最もインテリジェントなモデル。複雑なエクスプロイト開発、多段階攻撃シミュレーション向け拡張＋適応思考 |
| `claude-sonnet-4-6`*    | ✅   | 2025年8月  | $3.00/$15.00/$0.30/$3.75        | 適応思考による最高の速度/知能バランス。多段階セキュリティ評価、インテリジェントな脆弱性分析、リアルタイム脅威ハンティング |
| `claude-haiku-4-5`*     | ✅   | 2025年10月 | $1.00/$5.00/$0.10/$1.25         | フロンティアに近い知能を備えた最速モデル。高頻度スキャン、リアルタイム監視、一括自動テスト |

**レガシーモデル - 引き続きサポート**

| モデルID                | 思考 | リリース日 | 価格（入力/出力/キャッシュR/W） | 使用目的                                      |
| ----------------------- | ---- | ---------- | -------------------------------- | --------------------------------------------- |
| `claude-sonnet-4-5`     | ✅   | 2025年9月  | $3.00/$15.00/$0.30/$3.75        | 最先端の推論（4-6に置き換え）。高度な侵入テスト、高度な脅威分析 |
| `claude-opus-4-5`       | ✅   | 2025年11月 | $5.00/$25.00/$0.50/$6.25        | 究極の推論（opus-4-6に置き換え）。重要なセキュリティ研究、ゼロデイ発見、レッドチーム運用 |
| `claude-opus-4-1`       | ✅   | 2025年8月  | $15.00/$75.00/$1.50/$18.75      | 高度な推論（置き換え済み）。複雑な侵入テスト、高度な脅威モデリング |
| `claude-sonnet-4-0`     | ✅   | 2025年5月  | $3.00/$15.00/$0.30/$3.75        | 高性能推論（置き換え済み）。複雑な脅威モデリング、マルチツール連携 |
| `claude-opus-4-0`       | ✅   | 2025年5月  | $15.00/$75.00/$1.50/$18.75      | 初代Opus（置き換え済み）。多段階エクスプロイト開発、自律型ペネトレーションテストワークフロー |

**非推奨モデル - 最新モデルへの移行を推奨**

| モデルID                      | 思考 | リリース日 | 価格（入力/出力/キャッシュR/W） | 備考                                        |
| ----------------------------- | ---- | ---------- | -------------------------------- | -------------------------------------------- |
| `claude-3-haiku-20240307`     | ❌   | 2024年3月  | $0.25/$1.25/$0.03/$0.30         | 2026年4月19日に廃止予定。claude-haiku-4-5に移行してください |

**価格**: 100万トークンあたり。キャッシュ価格には読み取りと書き込みの両方のコストが含まれます。

**拡張思考設定**:
- **最大トークン数4096**: 複雑なエクスプロイト開発における最大限の推論深度を実現するジェネレーター（claude-opus-4-6）
- **最大トークン数2048**: バランスの取れたコード分析と脆弱性調査のためのコーダー（claude-sonnet-4-6）
- **最大トークン数1024**: 特定タスクに集中した推論のためのプライマリエージェント、アシスタント、リファイナー、アドバイザー、リフレクター、サーチャー、インストーラー、ペンテスター
- **拡張思考**: すべてのClaude 4.5+および4.6モデルは、深い推論タスクのための設定可能な拡張思考をサポート

**主な機能**:
- **拡張思考**: 複雑なセキュリティ分析のための設定可能な連鎖思考推論深度を持つすべてのClaude 4.5+および4.6モデル
- **適応思考**: Claude 4.6シリーズ（Opus/Sonnet）は、最適なパフォーマンスのためにタスクの複雑さに基づいて推論深度を動的に調整
- **プロンプトキャッシング**: 個別の読み取り/書き込み価格（入力の10%、125%書き込み）による大幅なコスト削減
- **拡張コンテキストウィンドウ**: 標準200Kトークン、Claude Opus/Sonnet 4.6では最大100万トークン（ベータ）で包括的なコードベース分析を実現
- **ツール呼び出し**: セキュリティツールオーケストレーションのための卓越した精度を備えた堅牢な関数呼び出し
- **ストリーミング**: インタラクティブなペネトレーションテストワークフローのためのリアルタイムレスポンスストリーミング
- **安全性最優先設計**: 責任あるセキュリティテストの実践を保証する組み込みの安全機構
- **マルチモーダルサポート**: スクリーンショット分析とUIセキュリティ評価のための最新モデルのビジョン機能
- **憲法適合型AI**: 信頼性が高く倫理的なセキュリティガイダンスを提供する高度な安全性トレーニング

### Google AI（Gemini）プロバイダー設定

PentAGIは、拡張思考とコンテキストキャッシングを備えた最先端のマルチモーダル推論機能を提供するGoogle AI APIを通じて、GoogleのGeminiモデルと統合します。

#### 設定変数

| 変数               | デフォルト                                      | 説明                       |
| ------------------ | ----------------------------------------------- | -------------------------- |
| `GEMINI_API_KEY`   |                                                 | Google AIサービスのAPIキー |
| `GEMINI_SERVER_URL` | `https://generativelanguage.googleapis.com`      | Google AI APIエンドポイント |

#### 設定例```bash
# Basic Gemini setup
GEMINI_API_KEY=your_gemini_api_key
GEMINI_SERVER_URL=https://generativelanguage.googleapis.com

# Using with proxy
GEMINI_API_KEY=your_gemini_api_key
PROXY_URL=http://your-proxy:8080

#### サポートされているモデル

PentAGIは、ツール呼び出し、ストリーミング、マルチモーダル機能を備えた21のAWS Bedrockモデルをサポートしています。`*` が付いたモデルはデフォルト設定で使用されます。

| モデルID                                         | プロバイダー    | 思考 | マルチモーダル | 価格（入力/出力） | ユースケース                                |
| ------------------------------------------------ | --------------- | ---- | -------------- | ----------------- | ------------------------------------------- |
| `us.amazon.nova-2-lite-v1:0`                     | Amazon Nova     | ❌    | ✅              | $0.33/$2.75      | 適応的な推論、効率的な思考                  |
| `us.amazon.nova-premier-v1:0`                    | Amazon Nova     | ❌    | ✅              | $2.50/$12.50     | 複雑な推論、高度な分析                      |
| `us.amazon.nova-pro-v1:0`                        | Amazon Nova     | ❌    | ✅              | $0.80/$3.20      | バランスの取れた精度、速度、コスト          |
| `us.amazon.nova-lite-v1:0`                       | Amazon Nova     | ❌    | ✅              | $0.06/$0.24      | 高速処理、大量オペレーション                |
| `us.amazon.nova-micro-v1:0`                      | Amazon Nova     | ❌    | ❌              | $0.035/$0.14     | 超低遅延、リアルタイム監視                  |
| `us.anthropic.claude-opus-4-6-v1`*               | Anthropic       | ✅    | ✅              | $5.00/$25.00     | ワールドクラスのコーディング、エンタープライズエージェント |
| `us.anthropic.claude-sonnet-4-6`                 | Anthropic       | ✅    | ✅              | $3.00/$15.00     | フロンティアインテリジェンス、エンタープライズ規模 |
| `us.anthropic.claude-opus-4-5-20251101-v1:0`     | Anthropic       | ✅    | ✅              | $5.00/$25.00     | 複数日にわたるソフトウェア開発              |
| `us.anthropic.claude-haiku-4-5-20251001-v1:0`*   | Anthropic       | ✅    | ✅              | $1.00/$5.00      | フロンティアに迫る性能、高速                |
| `us.anthropic.claude-sonnet-4-5-20250929-v1:0`*  | Anthropic       | ✅    | ✅              | $3.00/$15.00     | 実世界エージェント、コーディングの卓越性    |
| `us.anthropic.claude-sonnet-4-20250514-v1:0`     | Anthropic       | ✅    | ✅              | $3.00/$15.00     | バランスの取れたパフォーマンス、プロダクション対応 |
| `us.anthropic.claude-3-5-haiku-20241022-v1:0`    | Anthropic       | ❌    | ❌              | $0.80/$4.00      | 最速モデル、コスト効率の高いスキャニング    |
| `cohere.command-r-plus-v1:0`                     | Cohere          | ❌    | ❌              | $3.00/$15.00     | 大規模オペレーション、優れたRAG             |
| `deepseek.v3.2`                                  | DeepSeek        | ❌    | ❌              | $0.58/$1.68      | 長文脈推論、効率性                          |
| `openai.gpt-oss-120b-1:0`*                       | OpenAI (OSS)    | ✅    | ❌              | $0.15/$0.60      | 強力な推論、科学分析                        |
| `openai.gpt-oss-20b-1:0`                         | OpenAI (OSS)    | ✅    | ❌              | $0.07/$0.30      | 効率的なコーディング、ソフトウェア開発      |
| `qwen.qwen3-next-80b-a3b`                        | Qwen            | ❌    | ❌              | $0.15/$1.20      | 超長文脈、フラッグシップ推論                |
| `qwen.qwen3-32b-v1:0`                            | Qwen            | ❌    | ❌              | $0.15/$0.60      | バランスの取れた推論、研究ユースケース      |
| `qwen.qwen3-coder-30b-a3b-v1:0`                  | Qwen            | ❌    | ❌              | $0.15/$0.60      | バイブコーディング、自然言語優先            |
| `qwen.qwen3-coder-next`                          | Qwen            | ❌    | ❌              | $0.45/$1.80      | ツール使用、関数呼び出し最適化              |
| `mistral.mistral-large-3-675b-instruct`          | Mistral         | ❌    | ✅              | $4.00/$12.00     | 高度なマルチモーダル、長文脈                |
| `moonshotai.kimi-k2.5`                           | Moonshot        | ❌    | ✅              | $0.60/$3.00      | ビジョン、言語、コードを1つのモデルで       |

**価格**: 100万トークンあたり。思考/推論をサポートするモデルは、推論フェーズ中に追加の計算コストが発生します。

#### テスト済みだが互換性のないモデル

一部のAWS Bedrockモデルはテストされましたが、技術的な制限により**サポートされていません**:

| モデルファミリー         | 非互換の理由                                                                   |
| ------------------------ | ------------------------------------------------------------------------------ |
| **GLM (Z.AI)**           | ツール呼び出し形式がConverse APIと互換性がない（JSONではなく文字列を期待）     |
| **AI21 Jamba**           | 厳しいレート制限（1-2リクエスト/分）により、信頼性のあるテストと本番使用が妨げられる |
| **Meta Llama 3.3/3.1**   | 不安定なツール呼び出し結果処理により、マルチターンワークフローで予期しない障害が発生 |
| **Mistral Magistral**    | モデルがツール呼び出しをサポートしていない                                     |
| **Moonshot K2-Thinking** | ツール呼び出しでのストリーミング動作が不安定で、本番環境では信頼性が低い       |
| **Qwen3-VL**             | ツール呼び出しでのストリーミングが不安定で、マルチモーダル＋ツールの組み合わせが断続的に失敗 |

> [!IMPORTANT]
> **レート制限とクォータ管理**
>
> ClaudeモデルのデフォルトのAWS Bedrockクォータは**非常に制限的**です（新しいアカウントでは1分あたり2〜20リクエスト）。本番の侵入テストでは:
>
> 1. 使用予定のモデルについて、AWS Service Quotasコンソールで**クォータの増加をリクエスト**
> 2. **Amazon Novaモデルを使用** - より高いデフォルトクォータと優れたパフォーマンス
> 3. 一貫した大量テストのために**プロビジョンドスループットを有効化**
> 4. **使用状況を監視** - AWSはクォータ制限で積極的にスロットリングする
>
> クォータの増加がない場合、頻繁な遅延とワークフローの中断が予想されます。

> [!WARNING]
> **Converse APIの要件**
>
> PentAGIは、統一されたモデルアクセスのためにAmazon Bedrock **Converse API**を使用しています。すべてのサポート対象モデルには以下が必要です:
>
> - ✅ Converse/ConverseStream APIのサポート
> - ✅ 侵入テストワークフローのためのツール使用（関数呼び出し）
> - ✅ リアルタイムフィードバックのためのストリーミングツール使用
>
> モデルの機能は次で確認: [AWS Bedrock Model Features](https://docs.aws.amazon.com/bedrock/latest/userguide/conversation-inference-supported-models-features.html)

**主な機能**:
- **自動プロンプトキャッシング**: 繰り返しコンテキストでコストを40〜70%削減（Claude 4.xモデル）
- **拡張思考**: 複雑なセキュリティ分析のための段階的推論（Claude、DeepSeek R1、OpenAI GPT）
- **マルチモーダル分析**: 包括的なテストのためのスクリーンショット、図、動画の処理（Nova、Claude、Mistral、Kimi）
- **ツール呼び出し**: 関数呼び出しによる20以上のペンテストツールとのシームレスな統合
- **ストリーミング**: インタラクティブなセキュリティ評価ワークフローのためのリアルタイム応答ストリーミング

### DeepSeekプロバイダーの設定

PentAGIはDeepSeekと統合され、強力な推論、コーディング機能、コンテキストキャッシングを備えた高度なAIモデルに競争力のある価格でアクセスできます。

#### 設定変数

| 変数                   | デフォルト値                    | 説明                                           |
| ---------------------- | ------------------------------- | ---------------------------------------------- |
| `DEEPSEEK_API_KEY`     |                                 | 認証用のDeepSeek APIキー                        |
| `DEEPSEEK_SERVER_URL`  | `https://api.deepseek.com`      | DeepSeek APIエンドポイントURL                   |
| `DEEPSEEK_PROVIDER`    |                                 | LiteLLM統合用のプロバイダープレフィックス（オプション） |

#### Configuration Examples```bash
# Direct API usage
DEEPSEEK_API_KEY=your_deepseek_api_key
DEEPSEEK_SERVER_URL=https://api.deepseek.com

# With LiteLLM proxy
DEEPSEEK_API_KEY=your_litellm_key
DEEPSEEK_SERVER_URL=http://litellm-proxy:4000
DEEPSEEK_PROVIDER=deepseek  # Adds prefix to model names (deepseek/deepseek-v4-flash) for LiteLLM

# Direct API usage (international endpoint)
GLM_API_KEY=your_glm_api_key
GLM_SERVER_URL=https://api.z.ai/api/paas/v4

# Alternative endpoints
GLM_SERVER_URL=https://open.bigmodel.cn/api/paas/v4  # China
GLM_SERVER_URL=https://api.z.ai/api/coding/paas/v4   # Coding-specific

# With LiteLLM proxy
GLM_API_KEY=your_litellm_key
GLM_SERVER_URL=http://litellm-proxy:4000
GLM_PROVIDER=zai  # Adds prefix to model names (zai/glm-4) for LiteLLM
```
#### 対応モデル

PentAGIは、ツール呼び出し、ストリーミング、ハイブリッド思考モード、プロンプトキャッシュを備えた13のGLMモデルをサポートしています。`*` が付いたモデルはデフォルト設定で使用されます。思考は `extra_body.thinking.type`（"enabled"/"disabled"）で制御されます。Kimiとは異なり、GLMはどちらのモードでも温度設定に寛容です。

**GLM-5.xシリーズ - 最新世代（200Kコンテキスト、128K最大出力）**

| モデルID         | 思考 | コンテキスト | 最大出力 | 価格（入力/出力/キャッシュ） | ユースケース                                                            |
| ---------------- | -------- | ------- | ---------- | -------------------------- | ------------------------------------------------------------------- |
```

---

[Read more](https://github.com/vxcontrol/pentagi)