Cowork on Intellectual Guides

マルチエージェント AI オーケストレーション: Cowork MCP フレームワークによる AI エージェントチーム構築の完全ガイド

Sun, 26 Jul 2026 00:00:00 +0000

マルチエージェント AI が未来である理由 (そして 2026 年が参入すべき年である理由)

これを 2026 年に読んでいるなら、おそらく 1 つの AI アシスタントが限界に達することのフラストレーションをすでに経験しているでしょう。Claude に複雑な Python スクリプトの作成、ランディングページの最適化、マーケティングメールの起草を依頼すると、その 3 つすべてを実行しますが、どれも素晴らしいものではありません。それはデジタル世界で 3 つの仕事をこなすために 1 人を雇うようなものです。

そこで、マルチエージェント AI オーケストレーションがすべてを変えます。

マルチエージェント AI システムは、それぞれ独自の専門知識、指示、機能を持つ複数の特殊な AI エージェントを展開し、調整されたチームとして連携します。1 つのモデルに複数のタスクを不器用に処理させる代わりに、各々が最も得意なことをする専門家のチームを得ることができます。

そして 2026 年、これはもはや SF ではありません。これは、単一の AI モデルでは不可能だった問題を解決するために、企業、クリエイター、個々の開発者によってすでに使用されている実用的でオープンソースなテクノロジースタックです。

この包括的なガイドでは、マルチエージェント AI オーケストレーションがどのように機能するか、Cowork MCP フレームワークが AI エージェントチームを構築するための標準になりつつある理由、そして経験豊富なエンジニアであろうと全くの初心者であろうと、今日から始める方法を正確に説明します。

マルチエージェント AI オーケストレーションとは？

本質的に、マルチエージェント AI オーケストレーションとは、単一のモデルの機能を超える複雑なタスクを達成するために、複数の AI エージェントを調整する実践です。各エージェントは以下を持ちます：

特定の役割 (例：「コードレビュアー」、「マーケティングストラテジスト」、「データアナリスト」)
調整された指示 (その特定の役割のために設計されたシステムプロンプト)
プラットフォーム固有の実行 (Claude、GPT、Gemini、または互換性のある LLM 上で実行)
通信プロトコル (エージェント間で結果を渡す標準化された方法。MCP (Model Context Protocol) は 2026 年に業界標準となっています)

エージェンシーのように考えてください。スタートアップがランディングページを必要としていますか？コピーライティング、デザイン、SEO をかじるゼネラリストを雇うことはありません。コピーライター、デザイナー、SEO 専門家を雇います。それぞれが自分の専門知識に集中し、プロジェクトマネージャーが彼らを調整します。マルチエージェント AI も同じように機能します。

すべてのマルチエージェントシステムの主要コンポーネント

エージェント名簿 — 利用可能なエージェントと、その役割、スキル、機能のカタログ
オーケストレーター — 適切なエージェント (またはエージェントのシーケンス) にタスクをルーティングするインテリジェンス
通信レイヤー — エージェントが情報を交換するための標準プロトコル (MCP — Model Context Protocol — は 2026 年に業界標準となっています)
実行環境 — エージェントが実際に実行される場所 (自身のマシン、サーバー、クラウドインスタンス)
ダッシュボードと監視 — エージェントが何をしているかを確認し、進捗を追跡し、出力を確認する方法

Cowork の登場：オープンソースのマルチエージェント MCP フレームワーク

Cowork は、ファイルシステムベースの MCP サーバーおよび Web UI ダッシュボードです。マルチエージェント AI ツールの断片化された状態に不満を抱いていたため、私が構築しました。既存のソリューションは、特定のプラットフォームに過度にロックインされているか、複雑なクラウド構成を必要とするか、実際の仕事で求められる数のエージェントにスケーリングできないかのいずれかでした。

Cowork は、自身のインフラストラクチャ上で実行しながら、19 の部門にわたる 285 以上の専門エージェントをサポートするクリーンでモジュール化されたアーキテクチャで、これら 3 つの問題をすべて解決します。

Cowork が際立っている理由

1. マルチプラットフォームエージェントのサポート

Cowork は 1 つの LLM プロバイダーに限定されません。以下と統合されています：

Claude Code (YAML フロントマターを持つ .md ファイルを介した約 285 のエージェント)
Hermes Agent (SKILL.md を介した 39 以上のスキル)
Antigravity (AGY) (組み込みエージェントとカスタムスキル)
Gemini CLI、GitHub Copilot、Codex、Cursor (さらに 7 つのプラットフォーム)

これは、AI エージェントチームが特定のタスクごとに最適なモデルを使用できることを意味します。コードレビュー？ Claude を使います。クリエイティブライティング？ GPT を使います。データ分析？ Gemini を使います。Cowork は自動的にルーティングを処理します。

2. 2 段階のエージェントルーティング

タスクが入ってくると、Cowork のオーケストレーターは 2 段階の選択を行います。

部門ルーティング — 分類機能がタスクが 19 の部門のどれに属するかを識別します (例：「エンジニアリング」、「マーケティング」、「テスト」)
エージェント選択 — その部門内で、エージェントの専門知識の記述に基づいて、名簿から最も適したエージェントを選択します

つまり、「GitHub リポジトリのテクニカル監査を作成する」といったタスクを定義すると、手動で何も設定することなく、Cowork が自動的に適切な開発者エージェントにルーティングします。

3. ファイルシステム優先のアーキテクチャ

ここがエレガントな部分です。エージェントの定義は、ファイルシステム上にプレーンな .md ファイルとして存在します。データベースも、独自のフォーマットも、ベンダーロックインもありません。git を使用して、エージェント名簿を読み取り、編集し、共有し、バージョン管理することができます。

サーバーは実行時にこれらのファイルを読み取り、変更はすぐに有効になります。再起動は必要ありません。

4. Web UI ダッシュボード

Cowork には http://localhost:6868/ に組み込みのダッシュボードが同梱されており、次のことが可能です：

登録されているすべてのエージェントとその機能を表示する
手動または API 経由でタスクをディスパッチする
リアルタイムでタスクの実行を監視する
タスクの結果と生成されたレポートを表示する
リモートの「ブレイン」(他のマシンの LLM インスタンス) を登録する

5. MCP プロトコルを使用した API ファースト

Cowork は、Streamable HTTP 経由で /mcp に標準の MCP エンドポイントを公開します。MCP 互換クライアント (Claude Code、Cursor、MCP 拡張機能付きの VS Code) ならどれでも接続し、プログラムでタスクをディスパッチできます。

マルチエージェント AI 比較：3 つのアプローチ

Cowork の仕組みを深く掘り下げる前に、全体像を把握しておく価値があります。2026 年には、AI エージェントチームを構築するための 3 つの主要なアプローチがあります：

アプローチ	例	長所	短所
カスタムスクリプト	Python + LangChain エージェント	完全な制御	高度なコーディング知識が必要。スケーリングが難しい
クラウドプラットフォーム	AutoGPT, LangChain Cloud, OpenAI Assistants API	始めやすい	ベンダーロックイン。コストが急速に拡大。カスタマイズに制限がある
オープンソース MCP フレームワーク	Cowork, CrewAI, AutoGen	柔軟、透過的、セルフホスト可能	セットアップが必要。自身のインフラを管理する必要がある

Cowork の位置づけ: Cowork はオープンソースの領域を占めていますが、マルチプラットフォームエージェントのサポート、2 段階のルーティングシステム、ファイルシステム優先の設計によって他と差別化されています。CrewAI (シーケンシャルなエージェントチェーンに重点を置く) や AutoGen (対話型のマルチエージェントパターンを強調する) とは異なり、Cowork の強みはその広さです。285 以上の役割に特化したエージェントの厳選された名簿があり、事実上あらゆる専門的なタスクにディスパッチされる準備ができています。

ステップバイステップ：Cowork で AI エージェントチームを構築する方法

Cowork を実行し、最初のマルチエージェントタスクをディスパッチするプロセスを見ていきましょう。

前提条件

Node.js ≥ 20 (v22 でテスト済み)
npm ≥ 10
少なくとも 1 つの LLM バックエンド (Claude、GPT、Gemini、または MCP 互換モデル) へのアクセス

ステップ 1：クローンとインストール

git clone --recurse-submodules https://github.com/slashman413/cowork
cd cowork/server
npm install

--recurse-submodules フラグは、285 エージェントの名簿を含む agency-agents リポジトリを取り込みます。各エージェントは、役割の説明、スキル、実行パラメーターを含む YAML フロントマターを備えた .md ファイルとして定義されています。

ステップ 2：構成

初回実行時、Cowork は構成テンプレートを ~/.cowork/config.json にコピーします。これが実際の構成です。ここでの変更はデプロイ間で維持されます：

{
 "server": {
 "port": 6868,
 "host": "0.0.0.0",
 "name": "cowork-mcp",
 "version": "1.0.0",
 "apiKey": null
 },
 "paths": {
 "agencyAgents": "./agency-agents",
 "inbox": "./inbox",
 "reports": "./reports",
 "status": "./.status",
 "decisions": "./decisions"
 }
}

COWORK_CONFIG 環境変数を設定して、構成の場所を上書きすることもできます。

ステップ 3：サーバーの起動

npm run dev

次のような出力が表示されるはずです：

🤝 Cowork MCP サーバーが http://0.0.0.0:6868 で実行中
MCP エンドポイント: http://0.0.0.0:6868/mcp
Web ダッシュボード: http://0.0.0.0:6868/
REST API: http://0.0.0.0:6868/api/
名簿がロードされました: 19 部門にわたる 285 エージェント

ステップ 4：エージェントプラットフォームの接続

実際にタスクを実行するには、少なくとも 1 つの AI プラットフォームを接続する必要があります。以下は Claude Code の構成です：

{
 "mcpServers": {
 "cowork": {
 "url": "http://localhost:6868/mcp",
 "transport": "streamable-http"
 }
 }
}

これを Claude Code の MCP 構成 (~/.claude.json またはプロジェクトレベルの構成) に追加します。接続されると、Claude は標準の MCP ツール (register_agent、create_task、get_roster など) を使用して、Cowork エージェントにタスクをディスパッチできます。

ステップ 5：最初のタスクのディスパッチ

接続されたクライアント (またはダッシュボードから直接)、タスクを作成できます。

{
 "title": "コードレビュー",
 "description": "この PR の変更点について、セキュリティの問題とパフォーマンスを確認してください。",
 "skill": "security",
 "to_agent": "code-reviewer"
}

Cowork のオーケストレーターは以下を行います：

タスクの分類 (部門：「security」)
最適なエージェントの選択 (例：「ペネトレーションテスター」)
システムプロンプトとしてそのエージェントのペルソナを使用してタスクをディスパッチ
構成済みの LLM バックエンドでエージェントを実行
出力をレポートとしてファイリング

実際のユースケース：マルチエージェント AI が輝く場所

理論は素晴らしいですが、Cowork のマルチエージェントアプローチが単一の AI モデルでは単純に一致しない結果をもたらす実際のシナリオについて話しましょう。

ユースケース 1：マルチエージェントコード監査

GitHub リポジトリを監査する必要があると考えてください。単一の AI アシスタントでは、表面的なレビューしか提供されない場合があります。Cowork を使用すると、並行して 3 エージェントによる監査をディスパッチできます：

テックリードエージェント：深いコード品質分析、アーキテクチャのレビュー、デザインパターンの評価
グロースハッカーエージェント：Web サイトの UX 監査、SEO 分析、コンバージョン最適化の推奨事項
プロダクトマネージャーエージェント：優先順位付けフレームワーク、アクションロードマップ、影響の見積もり

各エージェントは自身の専門知識を持って独立して動作します。結果は構造化されたレポートに統合されます。これには 1 人で数日かかりますが、Cowork は数分で実行します。

ユースケース 2：製品ローンチキャンペーン

デジタル製品の立ち上げには、複数の分野にわたる調整が必要です。Cowork は以下をオーケストレーションできます：

市場調査エージェント：競合他社を分析し、市場のギャップを特定し、競合インテリジェンスを生成します
コンテンツストラテジスト：コンテンツカレンダーを計画し、ランディングページのコピーを作成し、宣伝資料を作成します
技術スペシャリスト：デプロイ、分析の設定、電子メールの自動化構成を処理します
プロジェクトマネージャー：すべてのエージェントの出力をマイルストーンのあるタイムラインに統合します

このようなマルチ領域の計画は、まさにマルチエージェント AI が得意とするところです。なぜなら、人間の組織が実際にどのように機能するかを反映しているからです。

ユースケース 3：コンテンツ制作パイプライン

コンテンツクリエイターの場合、Cowork はワークフロー全体を自動化できます：

調査エージェントがトレンドトピックと競合分析を収集します
ライティングエージェントが調査とスタイルガイドに基づいてコンテンツを起草します
SEO エージェントがターゲットキーワードと検索意図に合わせて最適化します
ソーシャルメディアエージェントがプラットフォーム固有のプロモーション投稿を生成します
デザインエージェントが関連するビジュアルを作成します (ComfyUI 統合経由)

すべてのエージェントは MCP プロトコルを通じて調整し、ある段階から次の段階へコンテキスト情報を渡します。結果として得られるのは、通常 5 人のチームを必要とする制作パイプラインです。

始め方：最初の 1 ヶ月の計画

独自の AI エージェントチームを構築する準備はできましたか？ここに実践的な 30 日間のロードマップがあります：

第 1 週：セットアップと慣れ

Cowork をローカル (または VPS) にインストールする
ダッシュボードでエージェント名簿を探索する
1 つの LLM プラットフォームを接続する (Claude Code または Hermes Agent から始めます)
5〜10 個の簡単なタスクをディスパッチし、実行フローを観察する

第 2 週：統合

最初の MCP 互換ツール (VS Code、Cursor、または独自のスクリプト) を接続する
カスタムエージェント定義を作成する (YAML フロントマターを持つ独自の .md ファイルを作成する)
継続的な監視のためにダッシュボードをセットアップする
タスクのチェーン化を実験する (あるエージェントの出力が別のエージェントの入力になります)

第 3 週：スケーリング

構成にさらに LLM バックエンドを追加する
19 の部門を探索し、まだ発見していなかったエージェントを見つける
反復的なワークフロー用に自動タスクルーティングをセットアップする
Cowork を既存のツール (GitHub、Slack、Notion など) と統合する

第 4 週：最適化

タスクの実行パターンをレビューし、エージェントのルーティングを改良する
特定のドメイン用のカスタムエージェント名簿を構築する
成功したマルチエージェントワークフローを文書化する
リモートブレインの登録、カスタムエグゼキューター、API 自動化などの高度な機能を探索する

AI エージェントプラットフォームの SEO と技術的考慮事項

Cowork を単なるツールとしてではなく、世界と共有するプラットフォーム (ドキュメント、チュートリアル、製品化されたバージョンのホスティング) として評価している場合は、留意すべき SEO の基礎がいくつかあります：

マルチエージェント AI のコンテンツ戦略

「マルチエージェント AI オーケストレーション」に関するキーワードの状況は競争が激しいですが、急速に成長しています。2026 年において最も効果的なコンテンツ戦略のターゲットは次のとおりです：

情報的意図：「マルチエージェント AI とは」、「マルチエージェント vs シングルエージェント AI」、「AI エージェントチームの構築方法」
商業的意図：「Cowork と CrewAI の比較」、「ベストなオープンソース AI オーケストレーションフレームワーク」
トランザクション的意図：「Cowork MCP フレームワークセットアップガイド」、「本番環境に Cowork をデプロイする方法」

内部リンク戦略：チュートリアルコンテンツ (初心者向けのセットアップガイド) とディープダイブコンテンツ (アーキテクチャの解説、高度なエージェント作成) の間をリンクします。これにより、「AI エージェントオーケストレーション」クラスター周辺のトピック権威が構築されます。

テクニカル SEO の要点

構造化データ：適切な著者、公開日、正規 URL を含む Article スキーマを使用します
コアウェブバイタル：LCP 2.5 秒未満、INP 200 ミリ秒未満、CLS 0.1 未満 — 特にコードブロックを含むチュートリアルページで重要です
モバイル最適化：多くの開発者は通勤中にモバイルで技術コンテンツを読んでいます — コード例が小さな画面でも読みやすいことを確認してください
多言語サポート：グローバルな視聴者をターゲットにする場合は、一貫したアプローチを使用してコンテンツを翻訳します (Hugo の言語設定は zh-cn、en、ja、es をネイティブにサポートしています)

テクニカルコンテンツの SEO をさらに深く掘り下げたい場合は、検索の可視性を高めるための技術記事の構成例として、私の AI ダッシュボードガイドと Feishu テンプレートガイドを確認してください。

2026 年以降のマルチエージェント AI の未来

状況は急速に変化しています。私が注視していることは次のとおりです：

エージェント間通信の標準

MCP (Model Context Protocol) は、エージェント通信の普遍的な言語になりつつあります。より多くのプラットフォームがこれを採用するにつれて、異なるエージェントエコシステム間の相互運用性は劇的に向上するでしょう。Cowork の MCP への取り組みは、この融合に向けて将来性があることを意味します。

専門エージェント市場

今日アプリストアがどのように機能しているかと同様に、エージェント名簿がキュレーションされたマーケットプレイスになる世界に向かっています。コミュニティの誰からでも、特定のタスクの専用エージェント (「財務アナリスト」エージェント、「法的コンプライアンス」エージェント、「データ視覚化」エージェント) を閲覧、インストール、およびレビューできるようになります。

自律型マルチエージェントワークフロー

次のフロンティアは、人間の介入なしに計画、実行、自己修正できるエージェントです。「新しい Gumroad 製品を発売して」とエージェントチームに指示すると、自律的に次のように機能すると想像してください。市場の調査、製品ページの作成、マーケティングコンテンツの生成、分析のセットアップ、初期のパフォーマンスデータに基づいた最適化 — これらすべてが Cowork のオーケストレーション層を通じて調整されます。

これは遠い未来の推測ではありません。ビルディングブロックはすでにここにあります。

マルチエージェント AI を採用すべきか？ここでの私の正直な評価

はい、絶対にお勧めします — もしあなたが：

複数のスキル (執筆、分析、デザイン、コーディング) を必要とするタスクを定期的に実行している
複数の AI ツールを手動で管理しようとして圧倒されていると感じている
単一のモデルプロバイダーに依存しない自動化されたワークフローを構築したい
コマンドラインツールに慣れている、またはクリーンな Web UI が欲しい

もしかしたら、まだ必要ないかもしれません、もしあなたが：

基本的な AI アシスタンスのみを必要としている (単純なクエリには単一のモデルで十分です)
技術的なセットアップに慣れていない (ただし、Cowork の npm install フローはわかりやすいように設計されています)
データが特定の境界内にとどまらなければならない高度に規制された環境にいる (Cowork をセルフホストすることは実際にはこれに役立ちます — あなたのエージェントは自身のインフラ上で実行されます)

私の推奨事項：小さく始めましょう。Cowork をローカルマシンにインストールし、1 つの LLM バックエンドを接続して、3 つのタスクをディスパッチします。1 時間以内に、機能するマルチエージェントシステムが完成します。問題はマルチエージェント AI を採用するかどうかではなく、どれだけ早く始められるかです。

次のステップ

私は Cowork を数ヶ月間本番環境で実行し、コードレビュー、コンテンツ制作、市場調査、および自動レポート作成のためにエージェントチームを調整してきました。このフレームワークは、個人的なツールから、クリーンな Web UI を備えたマルチプラットフォームエージェントの調整をサポートする堅牢なプラットフォームへと進化しました。

自身のプロジェクトで AI エージェントチームを構築することに興味がある場合は、Cowork リポジトリはオープンソースであり、すぐにクローンを作成できます。README のドキュメントでは、10 分以内でセットアップを完了する方法が説明されています。

また、AI ツール、自動化ワークフロー、およびデジタル製品の作成に関するガイドを定期的に公開している Slashman Tools ブログも運営しています。お気軽に探索していただき、マルチエージェント AI の始め方についてご質問があればお知らせください。

読了時間: 15 分 | 公開日: 2026 年 7 月 26 日 | 最終更新日: 2026 年 7 月 26 日

[ホームに戻る]

初めての AI エージェントチーム構築ガイド：Cowork MCP フレームワークで順に実装

Sun, 26 Jul 2026 00:00:00 +0000

20 分で初めての AI エージェントチームを構築する

2026 年、AI シーンを追っていたなら、この約束を必ず耳にしたことがあるでしょう——マルチエージェント AI システムは専門家のチームのようで、各自が最も得意な仕事を処理する。しかしほとんどの教學は理論の段階で止まっています——マルチエージェント協調が何かを説明するだけで、実際にどのように構築するかは教えてくれないのです。

この教學はそれを変えます。

この教學を完了した後、実際に稼働するマルチエージェント AI システムを手に入れることになります——登録済みエージェント、タスクキュー、そしてリアルなダッシュボードで——コードレビュー、コンテンツ制作、市場調査など、あらゆる作業を自動化するために使えます。

今日学ぶこと：

機械上で Cowork MCP Server を実行する
285 以上のデフォルト専門エージェントを揃える
構造化されたレポートを出力するマルチエージェントタスクをディスペッチする
LLM バックエンドに接続して実作業を実行する

では始めましょう。

前提要件

始める前に、以下の準備が整っていることを確認してください：

|| 項目 | バージョン要件 | 確認コマンド | ||——|———–|———| || Node.js | ≥ 20（v22 を推奨） | node --version | || npm | ≥ 10 | npm --version | || Git | 任意のバージョン | git --version | || LLM バックエンド | 少なくとも一つ（Claude、GPT、Gemini またはローカル） | — |

これだけです。クラウドアカウントは不要、Docker は不要、複雑なインフラも不要。すべてはあなたのマシン上で動作します。

AI エージェントが初めての方は、マルチエージェント AI 協調プラットフォーム完全ガイドを読んで基礎概念を理解することを推奨します。この教學はそれをベースに実装を行います。

ステップ 1：Cowork のインストールと起動

Cowork MCP フレームワークはオープンソースで、二つのコマンドでインストールできます。

# リポジトリと全エージェント定義をコピー
git clone --recurse-submodules https://github.com/slashman413/cowork
cd cowork/server

# 依存関係をインストール
npm install

--recurse-submodules オプションが極めて重要です——agency-agents サブモジュールを取り込みます。ここには 285 以上の事前書かれたエージェント定義が含まれています。各エージェントは YAML フロントmatter を持つ .md ファイルで、役割、スキル、実行パラメータを記述しています。

サーバーの起動

npm run dev

以下のような出力が表示されるはずです：

🤝 Cowork MCP Server running at http://0.0.0.0:6868
MCP endpoint: http://0.0.0.0:6868/mcp
Web Dashboard: http://0.0.0.0:6868/
REST API: http://0.0.0.0:6868/api/
Roster loaded: 285 agents across 19 divisions

ブラウザで http://localhost:6868/ を開いてください。 Cowork ダッシュボードが表示されます——エージェント roster、タスクインボックス、システムステータスが一目で分かります。

ステップ 2：エージェント roster を理解する

Cowork には 285 以上の専門エージェントが19 の部門に組織化されています。各部門は一つの専門領域に対応しています：

|| 部門 | エージェント数 | 例示エージェント | ||——|———–|———–| || エンジニアリング | 45+ | コードレビュアー、システムアーキテクト、DevOps エンジニア | || マーケティング | 30+ | SEO スペシャリスト、コンテンツストラテジスト、ソーシャルメディアマネージャー | || テスト | 25+ | QA エンジニア、ペネトレーションテスター、パフォーマンス監査 | || データサイエンス | 20+ | データアナリスト、ML エンジニア、ビジュアライゼーション専門家 | || デザイン | 15+ | UI デザイナー、UX リサーチャー、ブランドデザイナー | || 法務 | 12+ | 契約審査員、コンプライアンススペシャリスト | || 財務 | 18+ | 財務アナリスト、リスク評価者、税務スペシャリスト | || プロダクト | 10+ | プロダクトマネージャー、グロースハッカー、プロダクトマーケティング | || その他 14 部門… | | |

各エージェントは明確に定義された役割を持っています。ダッシュボード上で、または cowork/agency-agents/agents/ パスを閲覧することで、full roster を確認できます。

ステップ 3：LLM バックエンドを接続する

Cowork はタスクコーディネーター——作業をルーティングする役割ですが、それ自体は LLM リクエストを実行しません。少なくとも一つの「脳」（LLM 能力を持つプラットフォーム）に接続してエージェントを実行する必要があります。

オプション A：Hermes Agent（初心者推奨）

Hermes Agent を既にインストールしている場合、ネイティブに統合できます：

hermes register-cowork

これにより、Hermes が Cowork の作業ノードとして登録され、39 以上のスキルと内蔵ツールセットが開放されます。

オプション B：Claude Code

Claude Code の MCP 設定ファイル（~/.claude.json またはプロジェクトレベルの claude.json）に以下の設定を追加します：

{
 "mcpServers": {
 "cowork": {
 "url": "http://localhost:6868/mcp",
 "transport": "streamable-http"
 }
 }
}

オプション C：任意の MCP 互換クライアント

Model Context Protocol (MCP) をサポートするすべてのクライアント——Cursor、VS Code 拡張機能、Gemini CLI、カスタムスクリプトを含む——は、Cowork の /mcp エンドポイントに接続できます。

接続が完了すると、エージェントが利用可能な作業ノードとして表示されます。Cowork のコーディネーターが以降の全作業を処理します。

ステップ 4：初めてのマルチエージェントタスクをディスペッチする

ここから見どころ——エージェントチームを通じて実際に作業を実行します。

タスク：マルチエージェントコード監査

GitHub リポジトリに対し、三人のエージェントで並列監査を実施しましょう。Cowork ダッシュボードまたは API 経由で：

{
 "title": "包括的コード監査 - agents-coworking",
 "description": "agents-coworking GitHub リポジトリの包括的監査：コード品質（テックリード）、UX/SEO（グロースハッカー）、実行可能ロードマップ（プロダクトマネージャー）を評価。",
 "skill": "engineering",
 "tags": ["code-review", "security", "performance"],
 "to_agent": "tech-lead",
 "priority": "high"
}

Cowork のコーディネーターは三つのフェーズで処理します：

フェーズ 1 — 分類： クラッファ脳がタスク説明を読み、所属部門を判断します。「コード監査」＋ engineering、code-review タグ → エンジニアリング部門。

フェーズ 2 — エージェント選択： エンジニアリング部門内で、コーディネーターはスキルマッチング、専門の深さ、現在の負荷に基づいて利用可能なエージェントを評価し、最も適したエージェントを選択します。

フェーズ 3 — 実行： 選択されたエージェントがあなたの LLM バックエンド上で実行し、完全なタスク説明をコンテキストとして受け取り、構造化された出力を生成——通常は cowork/reports/ 内の markdown 報告書として保存されます。

ダッシュボードでリアルタイムの進捗を監視できます：

━━ タスク：包括的コード監査 ━━
エージェント：テックリード（Hermes Agent 経由）
ステータス：実行中…（3 分経過）
進捗：コード構造分析 → 依存関係監査実行

チェーンタスク：複雑なワークフロー

本番環境では、タスクをチェーンして、あるエージェントの出力を次のエージェントの入力にできます：

リサーチエージェント → コンテンツライター → SEO 最適化 → ソーシャル投稿
│ │ │ │
├ 主題分析 ├ ブログ草稿 ├ メタタグ ├ プラットフォーム投稿
├ 競合情報 ├ 2000+ 文字 ├ Schema ├ スケジュール
└ キーワード研究 └ トーン一致 ├ インリンクリンク └ 分析設定

各エージェントがその出力を次のエージェントにコンテキストとして渡します。結果として、主題選択からコンテンツ公開まで、一度のコーディネーションで完了します。

AI ドライブンなコンテンツ戦略とプロンプトについては、私の AI プロンプトスキルガイドを参照して、すぐに使えるテンプレートをご覧ください。

実用パターン 1：自動化コードレビューパイプライン

目標：GitHub にコードをプッシュするたび、Cowork が自動的にコードをレビューする。

設定：

Cowork タスクテンプレートを作成
GitHub Action でプッシュのたびに Cowork の API に POST
Cowork がテックリードとセキュリティエージェントにタスクをディスペッチ
結果は PR コメントとしてフィードバック

# .github/workflows/cowork-review.yml
on: [pull_request]
jobs:
 ai-review:
 runs-on: ubuntu-latest
 steps:
 - name: Dispatch Cowork Review
 run: |
 curl -X POST http://your-server:6868/api/tasks \
 -H "Content-Type: application/json" \
 -d '{
 "title": "PR Review: ${{ github.event.pull_request.title }}",
 "description": "Review PR for security, performance, and code quality",
 "skill": "engineering",
 "tags": ["code-review", "ci-cd"]
 }'

実用パターン 2：コンテンツ制作チーム

クリエイターやマーケティング担当にとって、マルチエージェントコンテンツパイラインはあらゆるボトルネックを解消します：

リサーチエージェント → ライターエージェント → SEO エージェント → 公開エージェント
│ │ │ │
├ 主題分析 ├ ブログ草稿 ├ メタタグ ├ プラットフォーム投稿
├ 競合情報 ├ 2000+ 文字 ├ Schema ├ スケジュール
└ キーワード研究 └ トーン一致 ├ インリンクリンク └ 分析設定

AI ドライブンなコンテンツ戦略とプロンプトについては、私の AI プロンプトスキルガイドを参照して、すぐに使えるテンプレートをご覧ください。

実用パターン 3：プロダクトローンチ調整

デジタルプロダクトのリリースには、リサーチ、コンテンツ、技術設定、分析の調整が必要です。マルチエージェントチームがエンドツーエンドでこれをすべて処理します：

市場リサーチエージェント — 競合他社を分析し、価格ギャップを特定し、競合情報名を生成
コンテンツストラテジスト — ランディングページコピーを執筆し、プロモーション素材を作成し、メールシークエンスを設計
テクニカルスペシャリスト — デプロイ、支払い統合、アナリティクス設定を処理
プロダクトマネージャーエージェント — 全出力をローンチスケジュールに統合

これが私が Slashman Tools で新しいプロダクトをリリースする際に使用しているパターンです。マルチエージェントのアプローチで準備期間を数週から数時間に短縮します。

MCP の理解：すべてを動かすプロトコル

これがすべて実現できるのは、Model Context Protocol (MCP) のおかげです——AI エージェントがツール、サーバー、互いとどのように通信するかを定義するオープンスタンダード。

シンプルに言うと： MCP は AI エージェントの USB-C です。USB-C がデバイスを周辺機器に接続する方式来規準化するように、MCP は AI モデルをツール、データソース、他のエージェントに接続する方式来規準化します。

Cowork は Streamable HTTP 経由で MCP を実装しています——継続的な WebSocket 接続を必要としない軽量トランスポートで、あらゆる HTTP クライアントと連携できます。これにより、CI/CD パイプライン、サーバーレス関数、エッジコンピューティング環境への統合が容易になります。

カスタム統合を作成したい開発者向けには、Cowork リポジトリに完全な MCP ツールリストが文書化されています——create_task、register_agent、get_roster、claim_task、complete_task、file_report、heartbeat などを含む。

正しいエージェントアーキテクチャの選択

すべてのプロジェクトに 285 人のエージェントが必要です。以下の意思決定フレームワークを参照してください：

単一プロジェクトチーム（1〜3 エージェント）

適している：小規模リポジトリ、個人プロジェクト、個人クリエイター
設定：一つの LLM バックエンドに接続し、3〜5 人のエージェントロールを使用
例：コードレビュアー + ライター + リサーチャー

部門レベルチーム（5〜20 エージェント）

適している：小チーム、スタートアップ、代理店
設定：複数の LLM バックエンド、部門専属エージェント
例：完全なエンジニアリング部門 + マーケティングチーム + データアナリスト

エンタープライズレベルチーム（50+ エージェント）

適している：プロダクト会社、大規模コンテンツ運営
設定：リモート脳の登録、カスタムエージェント作成、API 自動化
例：全 19 部門、マルチプラットフォーム LLM ルーティング、CI/CD 統合

Cowork はすべての三つのレベルにスケーラブル——小規模から始め、ニーズの成長に伴ってエージェントを増やせます。

よくある落とし穴

本番環境でマルチエージェントシステムを数か月運用した結果、最もよくある間違いは以下の通りです：

1. エージェントが多すぎる、コンテキストが少なすぎる

簡単なタスクに 20 人のエージェントを使うのはやめましょう。各エージェントはレイテンシとコンテキストオーバーヘッドを増加させます。2〜3 人のエージェントから始め、必要と確認してから増やしてください。

2. エージェントロールの品質を無視する

不適切に書かれたエージェント定義は不適切な結果を生みます。正確なロール説明、スキルリスト、プロンプトインストラクションを注意深く設計する時間を投資してください。Cowork の既存の 285 人のエージェントはすべて注意深く設計されています——それをテンプレートとして使ってください。

3. タスク完了追跡を見逃す

必ず完了追跡を設定してください。Cowork のダッシュボードは一目で分かりますが、長時間実行されるワークフローの場合は通知も設定すべきです。

4. 単一ベンダー依存

少なくとも二つの LLM バックエンドに接続してください。一つのプラットフォームがダウンするかレート制限を受けた場合、エージェントチームがもう一方に切り替えます。Cowork は自動的にマルチプラットフォームルーティングを処理します。

5. 重要な意思決定に人間の検証がない

セキュリティ監査、財務分析、法務レビュー——AI 出力に基づいて行動する前に、必ず人間の検証を行ってください。エージェントは強力なアシスタントですが、高リスクな作業領域における自律的判断者ではありません。

次のステップ

これで稼働するマルチエージェント AI システムを手に入れました。次のステップ：

今日：

http://localhost:6868/ のダッシュボードを探索
異なるエージェントに 3 つの異なるタスクをディスペッチ
エージェント roster を閲覧し、予期せぬ専門家に気づく

今週：

冗長用に二つ目の LLM バックエンドに接続
カスタムエージェント定義を作成（既存の .md ファイルをコピーして修正）
毎日の市場調査またはコードレビューの定期タスクを設定

今月：

CI/CD パイプラインに Cowork を統合
多ステップワークフローを構築（3+ エージェントが順に実行）
Cowork ドキュメントを参照して、リモート脳登録やカスタム実行器などの高度な機能を理解

完全なマルチエージェント AI 協調プラットフォームガイドには、アーキテクチャ、ユースケース、他のフレームワークとの比較が含まれています——戦略的な概要を入手するために参照してください。

よくある質問

Q：Cowork を使うために Python や AI エンジニアリングの知識が必要ですか？ A：いいえ。git clone と npm install が実行できれば、Cowork を設定できます。エージェントの roster は事前設定済みです。

Q：Cowork をクラウドサーバー上で実行できますか？ A：はい。Cowork は Node.js がインストールされたあらゆるマシンで実行できます。VPS、クラウド VM、ラズベリーパイへのデプロイが可能です。ダッシュボードと MCP エンドポイントはネットワーク経由でアクセスできます。

Q：同時にいくつのエージェントを実行できますか？ A：Cowork は同時実行数に制限を設けていません——制限はあなたの LLM バックエンドとハードウェアによります。現代の GPU を備えた単一マシンで 5〜10 人のエージェントを並行実行できます。複数のバックエンドを備えたエンタープライズ設定ではより高い数にスケーリング可能です。

Q：Cowork は無料でオープンソースですか？ A：はい。Cowork は MIT ライセンスで、GitHub で入手可能です。有料プランはありません、隠し制限もありません。

Q：Cowork は CrewAI / AutoGen と何が異なりますか？ A：Cowork は「幅」に焦点を当てています——19 部門にわたる 285 以上の事前設定エージェント、マルチプラットフォーム LLM サポート、ファイルシステムファーストのアプローチ。CrewAI は順序エージェントチェーンに優れ、AutoGen は会話型マルチエージェントパターンに優れています。Cowork の優位性は、厳選された専門家の roster にリアルタイムでアクセスできることです。

結論：あなたの AI エージェントチームは準備完了

マルチエージェント AI 協調は未来の技術ではありません——今日すぐに使えるツールです。20 分で、ゼロから 285 人の専門家が利用可能な稼働中のマルチエージェントシステムに至りました。

重要な洞察：一つの AI モデルはジャネナリストです。AI エージェントチームは専門家の組織です。 MCP プロトコルで協調する専門エージェントを通じて、従来は人類のチーム全体を必要とする複雑なワークフロー——コード監査、コンテンツ制作、市場調査、プロダクトリリース——を数日で数時間ではなく、数分で自動化できます。

Cowork MCP フレームワークはこのすべてを実用的にしました。オープンソース、セルフホスト可能、Node.js がインストールされたあらゆるマシンで動作します。ベンダーロックインはありません、クラウド依存はありません。ただ、ニーズの成長に合わせて拡張するクリーンでモジュールなシステムがあります。

GitHub で Cowork をフォーク、今日のうちに初めての AI エージェントチームを構築しましょう。

読了時間：12 分 | 公開日：2026-07-26 | 最終更新：2026-07-26

AI Prompt Library の即席使える AI プロンプトテンプレート——開発、コンテンツ制作、ビジネス自動化に対応——もご覧ください。

[ホームに戻る]

Cowork on Intellectual Guides

マルチエージェント AI オーケストレーション: Cowork MCP フレームワークによる AI エージェントチーム構築の完全ガイド

マルチエージェント AI が未来である理由 (そして 2026 年が参入すべき年である理由)

マルチエージェント AI オーケストレーションとは？

すべてのマルチエージェントシステムの主要コンポーネント

Cowork の登場：オープンソースのマルチエージェント MCP フレームワーク

Cowork が際立っている理由

マルチエージェント AI 比較：3 つのアプローチ

ステップバイステップ：Cowork で AI エージェントチームを構築する方法

前提条件

ステップ 1：クローンとインストール

ステップ 2：構成

ステップ 3：サーバーの起動

ステップ 4：エージェントプラットフォームの接続

ステップ 5：最初のタスクのディスパッチ

実際のユースケース：マルチエージェント AI が輝く場所

ユースケース 1：マルチエージェントコード監査

ユースケース 2：製品ローンチキャンペーン

ユースケース 3：コンテンツ制作パイプライン

始め方：最初の 1 ヶ月の計画

第 1 週：セットアップと慣れ

第 2 週：統合

第 3 週：スケーリング

第 4 週：最適化

AI エージェントプラットフォームの SEO と技術的考慮事項

マルチエージェント AI のコンテンツ戦略

テクニカル SEO の要点

2026 年以降のマルチエージェント AI の未来

エージェント間通信の標準

専門エージェント市場

自律型マルチエージェントワークフロー

マルチエージェント AI を採用すべきか？ ここでの私の正直な評価

次のステップ

初めての AI エージェントチーム構築ガイド：Cowork MCP フレームワークで順に実装

20 分で初めての AI エージェントチームを構築する

前提要件

ステップ 1：Cowork のインストールと起動

サーバーの起動

ステップ 2：エージェント roster を理解する

ステップ 3：LLM バックエンドを接続する

オプション A：Hermes Agent（初心者推奨）

オプション B：Claude Code

オプション C：任意の MCP 互換クライアント

ステップ 4：初めてのマルチエージェントタスクをディスペッチする

タスク：マルチエージェントコード監査

チェーンタスク：複雑なワークフロー

実用パターン 1：自動化コードレビューパイプライン

実用パターン 2：コンテンツ制作チーム

実用パターン 3：プロダクトローンチ調整

MCP の理解：すべてを動かすプロトコル

正しいエージェントアーキテクチャの選択

単一プロジェクトチーム（1〜3 エージェント）

部門レベルチーム（5〜20 エージェント）

エンタープライズレベルチーム（50+ エージェント）

よくある落とし穴

1. エージェントが多すぎる、コンテキストが少なすぎる

2. エージェントロールの品質を無視する

3. タスク完了追跡を見逃す

4. 単一ベンダー依存

5. 重要な意思決定に人間の検証がない

次のステップ

よくある質問

結論：あなたの AI エージェントチームは準備完了

マルチエージェント AI を採用すべきか？ここでの私の正直な評価