GenericAgentは、約3000行のシードコードから「スキルツリー」を自己成長させる自律エージェントフレームワークです。9個の原子的ツールと約100行のAgent Loopで、ブラウザ・端末・ファイルシステム・キーボードマウス・画面認識・モバイル(ADB)などローカルシステム全体をLLMに操作させます。タスクを解くたびに実行経路をSkillとして固定化し、再利用可能な知識として積み上げていく設計です。
中核は agent_loop.py の短いループで、LLMが9つの原子ツールを呼び出しながらタスクを進めます。TMWebDriver.py が実ブラウザにCDP経由で注入し、ログイン済みセッションを保ったまま操作します(assets/tmwd_cdp_bridge の拡張機能が対応)。sys_prompt.txt がエージェントの振る舞いを定義し、global_mem_insight系テンプレートが得られた知見をメモリとして構造化保存します。デスクトップ版はTauri製のRustアプリ(frontends/desktop)で、ローカルのbridge(ポート14168)とconductor(8900)というHTTP/WSサービスにフロントエンドが接続し、セッション管理やコスト計測(cost_tracker.py)、データバックアップ(data_backup.py)を担います。CI(desktop-ci.yml)はPython 3.10から3.13までとRustのコントラクトテストを実行し、配布物とパッケージング整合性を検証しています。
- STEP 01
docs/installation.mdの手順に沿ってcurlでインストールガイドを取得し、Python 3.11か3.12を用意します(3.14は非対応と明記されています)。
- STEP 02
assets/configure_mykey.pyでClaudeやGemini、Kimiなど対応LLMのAPIキーを設定し、agentmain.pyを起動してタスクを日本語や英語の指示文で投げます。
- STEP 03
初回タスクではスキルが空の状態から始まり、実行ログとsys_prompt.txtの指示に基づきAgent Loopが9つのツールを組み合わせて解こうとする様子が見えます。
- STEP 04
デスクトップ版を試す場合はfrontends/desktopでTauriビルドが必要で、bridge(14168番)とconductor(8900番)がローカルで立ち上がり、静的UI(app.js)がHTTP/WSでこれらと通信します。
- STEP 05
frontends/testsのpytestを実行すると、bridgeのcapabilities応答やセッションAPIの契約テストが通ることを確認できます。
- STEP 06
タスクを繰り返すうちにglobal_mem_insight系テンプレートに基づく知見ファイルが増え、同種タスクの2回目以降でツール呼び出し回数が減る様子を観察できます。
手元に残るのは、Agent Loopの実行ログと蓄積されたSkill定義ファイル群、そして任意でTauri製デスクトップUIです。繰り返しタスクを実行するほどスキルツリーが太くなり、同種操作の再実行がテンプレート化された手順で速くなる、という体験が得られます。
README記載の「6倍のトークン削減」「著者は一度もターミナルを開いていない」といった主張は技術レポート(PDFやarXiv)に依存しており、提供資料だけでは数値そのものを検証できません。
デスクトップ版はTauri+Rustのビルド環境が必要で、Cargo.lockやbuild.rsを含む本格的なネイティブビルドの知識が求められます。
assets/tmwd_cdp_bridgeはブラウザの実セッションにCDP経由で介入する仕組みのため、ログイン中のアカウントに対する権限範囲は利用者自身で把握しておく必要があります。
複数LLM(Claude、Gemini、Kimi、MiniMaxなど)に対応していますが、いずれもAPIキーと利用料金が前提になります。
ローカルPCの操作(ブラウザ・端末・モバイル)をLLMに任せつつ、使うほど自分専用の手順(スキル)が蓄積される体験を試したい中上級者向けのツールです。Agent Loopの構造、9ツールのスキーマ、bridgeやconductorのポート構成、CIによる配布物検証まではファイルツリーとソース断片から具体的に確認できるため、この記述は信頼できます。一方でトークン削減率や自己ブートストラップの逸話といった性能面の主張は、外部の技術レポートに依拠する部分であり、自分の目で数値を確かめたい場合は実際に動かして計測する必要があります。