LangChain Blog公式発表·2026年8月26日 23:28·約15分

LLM アプリ向けオープンソースプラグイン基盤「Connery」

#LLM #オープンソース #開発ツール #OpenGPTs #プラグイン

整理・翻訳:ainew.jp 編集システムAIによる自動処理作り方と限界

本文の状態

日本語全文を表示中

詳細モードで約15分の本文を読めます。

同じ出来事の情報源

この情報源を基点に整理

LangChain Blog

まず要点

Connery は LLM アプリケーション向けのオープンソースプラグイン基盤であり、OpenGPTs と連携して外部サービスとの統合を容易にし、コミュニティによるプラグインの共有・カスタマイズを可能にする。

AI深層分析を開く2026年8月26日 23:47

キーポイント

LLM アプリケーション向けプラグイン基盤の提供

Connery は LLM アプリケーションに特化したプラグインインフラを提供し、外部サービスとの統合やカスタマイズを容易にする。

OpenGPTs とのシームレスな連携

同プロジェクトは OpenGPTs と密接に統合されており、ランタイム管理や接続管理、パーソナライゼーション、安全性の確保を担う。

オープンソースエコシステムの構築

Connery は開発者体験とツールを整備し、コミュニティがプラグインを作成・共有・カスタマイズできる生態系を目指している。

LLM アプリのパーソナライゼーションとセキュリティ要件

ユーザー認証、OAuth やシークレット管理による接続管理、およびカスタム設定によるパーソナライズが不可欠である。これにより、メール送信やカレンダーアクセスなどの個別サービスへの安全な統合が可能になる。

LLM アプリの不確実性に対する安全性対策

従来のアプリケーションと異なり予測不能な LLM に対しては、メタデータによるアクションの明確化や人間が最終決定権を持つ仕組みが必要である。これにより、誤ったコマンド解釈や実行リスクを軽減できる。

重要な引用

Connery is an open-source framework for creating integrations as plugins usable across many platforms, including as tools for LLM-powered agents!

The goal is to allow the community to benefit from creating, sharing, and customizing each others' plugins.

This allows LLMs to bring more individual value to their users.

To mitigate this, additional measures are needed:

編集コメントを表示

編集コメント

LLM エージェントが実世界のタスクを実行する際の統合課題を解決するための具体的なオープンソースフレームワークの登場は、開発現場にとって大きな追い風となる。Connery が OpenGPTs と連携し、コミュニティ主導でエコシステムを構築しようとする姿勢は、今後の LLM アプリケーション開発の標準化に向けた重要な一歩と言える。

Source Article

元記事を日本語で読む

本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。

*エディターズノート：本記事は Connery の共同創業者であるマイケル・リープマンとボロディミール・マチュラが執筆しました。*Connery*は、LLM パワー型のエージェントのツールとして利用可能なプラグインを作成するためのオープンソースフレームワークです。Slack やノーコードツールなど、さまざまなプラットフォームで活用できます。*

過去 10 年間、ボロディミールと私は数々のシステム連携に取り組んできました。従来のシステム統合やカスタマイズから、LLM アプリケーション向けのプラグイン、CI/CD ワークフロー、Slack 連携、ノーコードツールとの連携まで、その範囲は多岐にわたります。

しかし、そこで直面する課題は常に同じでした。そこで私たちは、これまでの経験を活かしたオープンソースプロジェクト「Connery」を立ち上げることにしました。これにより、誰もがその恩恵を受けられるようになります。

Connery は LLM アプリケーション向けに設計されたプラグインインフラストラクチャを提供します。サードパーティ製サービスの統合が容易になり、カスタマイズも可能です。ランタイムの管理や OpenGPTs とのシームレスな連携に加え、接続管理、パーソナライゼーション、安全性を確保するためのユーザーインターフェースも用意されています。

さらに Connery は、オープンソースのプラグインエコシステムを支えるツール開発と開発者体験の向上にも注力しています。コミュニティが互いのプラグインを作成・共有・カスタマイズし、その成果を活かせる環境を目指しています。

課題：LLM と実世界アプリケーションの統合

チャットボットやアシスタントなど、LLM を活用したアプリは推論や生成タスクにおいてその有用性を増しています。しかし、LLM アプリが直接実世界のタスクを実行できるようにすることは、さらに大きな可能性を秘めています。まだ課題は残っていますが、これは間違いなく主要なトレンドへと発展しつつあります。

ビジネスや個人向けアシスタントなど、汎用的な用途のアプリ（トニー・スタークの J.A.R.V.I.S. をイメージしてください）では、外部システムとの多数の連携が必要になる可能性があります。同様に、DevOps、人事、財務、ショッピングといった特定の分野に特化したエージェントも、実世界のタスクを実行できることでその効果を高めます。

しかし、従来のアプリケーションと比較すると、LLM ベースのアプリはハルシネーション（幻覚）や誤った判断の可能性により、やや予測が難しい側面があります。そのため、LLM を実世界のシナリオに統合する際には、追加的な安全対策と十分な配慮が必要です。

さらに、連携機能の開発・運用自体が一般的に複雑です。特に LLM ベースのアプリ向けには、専用のインフラストラクチャが必要となるため、その難易度はさらに高まります。

以下では、LLM ベースのアプリを実世界と統合する際に開発者が考慮すべき重要な課題をいくつか挙げます。

パーソナライゼーションとセキュリティ

2024 年の AI 開発において、LLM アプリのパーソナライゼーションは重要な推進力となっています。これにより、LLM はユーザー一人ひとりにより個別の価値を提供できるようになります。同時に、LLM アプリがユーザーの個別サービスに直接アクセスし、メールの送信やカレンダーへのアクセスなどを可能にするようになります。

このためには、以下の必須機能とパーソナライゼーション機能が不可欠です。

ユーザー認証、権限管理、および接続や設定を管理するためのユーザーインターフェース
接続管理: ユーザーは、Gmail などのサービスに AI ベースのアプリがアクセスすることを許可する、安全な手段が必要です。OAuth をサポートしていない AWS のようなサービスでは、シークレット管理（Secrets Management）を通じてアクセスキーを安全に保存することが不可欠です。
パーソナライゼーション: ユーザーは統合のカスタマイズや設定が可能です。例えば、すべてのメールにカスタム署名を設定したり、LLM が個人の利用ケースをより正確に理解できるようアクションのメタデータを調整したりできます。また、名前やメールアドレスなどの個人情報を提供することで、LLM がアクションを実行する際に追加のコンテキストとして活用できるようにもなります。

AI の安全性と制御

従来のアプリケーションは明確に定義された機能を持ち、予測可能でテストしやすいため、一貫した動作が保証されています。一方、自然言語処理能力を持つ LLM ベースのアプリは予測不可能であり、コマンドの誤解といった潜在的なリスクを伴います。これを緩和するためには、追加の対策が必要です。

メタデータにより、LLM は利用可能なアクションをより深く理解できるようになり、その選択と実行におけるエラー率を低減できます。これには、明確な目的を示すアクションの説明、利用可能なパラメータと検証ルールを記述した入力スキーマ、そしてアクションの結果が含まれます。

また、重要なワークフローにおいてユーザーが最終決定権を持つ「人間による監視（Human-in-the-loop）」機能も重要です。これにより、実行前に提案された入力パラメータの編集が可能になります。例えば、メールを送信する前にその内容をレビューするようなケースです。

さらに、整合性、コンプライアンス、透明性を確保するための監査ログ（Audit logs）も必要不可欠です。

統合のためのインフラストラクチャ

LangChain は LLM アプリケーションを構築するための優れたフレームワークを提供しています。一方で、そのような LLM アプリに「統合機能」を追加することは全く異なる課題であり、独自の複雑さを伴います。

現在、開発者はアプリ内で独自のカスタム統合インフラを構築する必要があります。これには以下のような要素が含まれます：

OAuth や API キーなどを用いたサードパーティサービスとの認証（Authorization for integrations）
CRUD 操作、非同期処理、イベント駆動型処理など、多様な統合タイプとパターンのサポート
統合コードとそのランタイム環境の管理

これら多くの項目は、LLM を活用したアプリを構築する際に手間となり、開発者の本来の目的から注意が逸れてしまう要因となります。

提案する解決策：オープンソースのプラグイン基盤とエコシステム

上記の問題に対処するため、LLM アプリや GPT に特化した「プラグイン基盤」を構築することが最善のアプローチであると私たちは考えます。この基盤には、以下の2 つの特徴が不可欠です。

第一に、オープンソースであること。
第二に、協働モデルを備えていること。

多くのクローズドソースの手法とは異なり、これによりスピードとイノベーションを促進するオープンなプラグインコミュニティの成長を目指しています。これが Connery をなぜ、どのように構築するのかという私たちの主要な動機です。

*Connery の各コンポーネント、ステークホルダー、およびそれらの相互作用を示す図。

次に、上記の図に示された各コンポーネントの詳細なサブコンポーネントについて解説します。

プラグインエコシステム

エコシステムの側面では、主に2 つの要素があります。

アクション: 基本的なタスクと捉えてください。入力パラメータと出力パラメータを持つ関数のように、特定の1 つのことを行うために設計されたものです。例えば、「Gmail」プラグインにおける「メールを送信する」就是一个アクションです。
プラグイン: 関連するアクションの集合体です。各プラグインは、特定の構造を持つ TypeScript コードを含むオープンソースの GitHub リポジトリとして表現されます。プラグインのアクションを使用するには、事前に Runner にインストールする必要があります。

💡

本記事では以降、「インテグレーション」ではなく「プラグイン」という用語を使用します。その理由は、プラグインが単なるインテグレーションよりもさらに広い概念だからです。プラグインとは、サードパーティ製 API の統合を簡素化し改善するための特定の機能セットを備えた、独立したモジュールです（詳細は後述）。

プラグイン基盤

ランナーは Connery の心臓部です。これは GitHub からプラグインを取り込むオープンソースのエンジンであり、接続管理、パーソナライズ、安全性に関する一連の機能とユーザーインターフェースを備えています。誰でも独自に設定された孤立したランナーを構築でき、特定のプラグインセットで構成され、クライアント向けには標準化された API が提供されます。
クライアントは Connery のエンドユーザー向けの側面であり、最終ユーザーがアクションを実行するためのインターフェースとして機能します。例えば LangChain の OpenGPTs では、Connery のアクションを通じて現実世界と接続することで、エンドユーザーは GPT を深くカスタマイズし、パーソナライズすることが可能です。また Connery は、他の多くのプラットフォーム向けにもクライアントを提供しています。

開発者とユーザーの視点

開発者は、独自にプラグインを作成したり、コミュニティから既存のものを利用したりする柔軟性を持っています。Connery クライアント（OpenGPTs や LangChain Toolkit、API など）を通じて、チャットボットやアシスタントなどの LLM アプリへの統合も容易です。
エンドユーザーは、まず Runner 上で Gmail などの個人アカウントに接続し、必要な個人情報を入力することで体験をパーソナライズします。その後、LLM アプリに対してこのパーソナライズされた Runner の使用権限を付与します。設定が完了すれば、ユーザーは LLM アプリにメール送信などのアクションを実行させることができます。ただし、アプリの動作は常にユーザーがコントロールでき、必要に応じて最終的な決定権も保持されます。

例：OpenGPTs から Connery アクションを実行する

LangChain の OpenGPTs における最近のアップデートでは、さまざまな認知アーキテクチャへの対応が強化されました。新たに追加された「アシスタント」機能を使えば、Connery アクションなどのツールをカスタム GPT に簡単に統合できます。簡単な例を見てみましょう。

ウェブページを要約してメールで送信する

Paul Graham のウェブサイトで見つけた洞察に富んだ記事があり、その簡潔な要約を同僚にメールで共有したいとしましょう。この場合、2 つの異なるプラグインから 2 つのアクションが必要になる可能性があります。

Summarization plugin の「公開ウェブページを要約する」アクションを使用します。このアクションは、対象の URL を受け取り、OpenAI を活用して記事の内容を簡潔に要約します。
Gmail plugin の「メールを送信する」アクションを利用できます。宛先、件名、本文を入力パラメータとして指定し、受信者へメールを送信します。

デモを試す

こちらには、LangChain がホストする OpenGPTs のデモ版が用意されています。Connery Runner が事前設定済みで、デモに必要なアクションもすべて含まれています。好きな記事を要約してメールへ送信することも可能です（以下の動画参照）。なお、デモ環境ではコンテキストウィンドウの制限として 16K トークンまでとなっています。

*Connery アクションを使って OpenGPTs でウェブページを要約し、メールで送信する様子*

裏側では何が起こっているのか？

以下に、デモの裏側で実際に起こる処理の流れを簡略化して示します。

ユーザーがプロンプトを送信して OpenGPT にリクエストを送ります。

OpenGPT は LangChain Toolkit を介して Connery Runner と接続し、利用可能なすべてのアクションと、その名前や説明、入力パラメータ名などのメタデータを取得します。

Runner は各プラグインのソースコードを GitHub リポジトリからダウンロードし、後で使用するためにローカルにキャッシュします。ダウンロードが完了すると、Runner はこれらのプラグインで利用可能なすべてのアクション情報を OpenGPT に返送します。

OpenGPT はユーザーからのプロンプトに基づき、メタデータを利用して適切なアクションとその入力パラメータを特定します。実行すべきアクションが決まると、OpenGPT は Runner に対して実行リクエストを送ります。

Runner はキャッシュからプラグインのソースコードを読み込み、該当するアクションを見つけて指定されたパラメータで実行します。結果が揃い次第、Runner はそれを OpenGPT に返します。

OpenGPT はこの結果を活用してタスクを完了させます。ユーザーのリクエストが達成されるまで、このプロセスは継続されます。デモで見られるように、複数のアクションを順次呼び出すケースも含まれます。

Connery アクションを使って独自の OpenGPT をセットアップする

独自の OpenGPT とアクションを設定するには、以下の手順を実行してください：

Connery Runner のセットアップは、Quickstart ガイドに従って行います。

次に、エージェントで利用したいアクションに対応するプラグインをインストールしてください。

OpenGPTs リポジトリをフォークし、README に記載された手順通りに設定します。

その後、OpenGPTs の .env ファイルに CONNERY_RUNNER_URL と CONNERY_RUNNER_API_KEY という環境変数を指定して、Connery Runner への接続を完了させます。

💡

独自のアプリやエージェントで Connery アクションを利用したい場合は、LangChain Toolkit をご利用ください。Python と JS の両方に対応しています。

次のステップ

現在、上記の機能開発を進めています。コミュニティにとって最も重要な優先順位を決定するために、ぜひフィードバックをお寄せください。ご意見は GitHub のディスカッションボードでお聞かせください。

必要な機能の実装に加え、オープンソースの Runner を基盤とした管理型サービスの提供も計画しています。これにより、統合プロセスを簡素化し、アクションの利用をより迅速に行えるようにすることを目指します。

Connery のプラグインとそのアクションは、それぞれ個別の GitHub リポジトリとして管理されています。これにより、共有や再利用が非常に容易になります。私たちは、開発者がプラグインで自由にイノベーションを起こし、協力できる成長する分散型オープンソースのプラグインエコシステムの実現を envision しています。すでにコミュニティによる最初のプラグインの開発が進んでいます。

このプロジェクトに興味を持たれた方、または最新情報を入手したい方は、GitHub リポジトリにスターをつけてください。