自然言語だけでエージェントを動かすOSSが、研究から実用まで一気に揃い始めました。
LLM（大規模言語モデル）エージェントの構築は、LangChainやAutoGenのようなフレームワークが主流です。一方で、プログラミングスキルを持つ人は世界人口のごく一部にとどまります。ACL 2026の論文でも、既存フレームワークは開発者向けに偏っていると指摘されています（参考）。
2026年7月、Sumanth氏がXで紹介した5つのオープンソース・ノーコードツールは、このギャップを埋める選択肢として注目を集めています（参考）。
この記事では、一覧の中でも新機能として際立つAutoAgentを軸に、AnythingLLM・Sim・Dify・LangChain Open Agent Platformの特徴と使い分けを整理します。
この記事でわかること
- AutoAgentが自然言語の目標から計画・実行まで自動化する仕組み
- 社内データ活用向けのAnythingLLM、本番運用向けのDifyの違い
- ビジュアル編集とデバッグに強いSimの位置づけ
- LangChain Open Agent Platformが非推奨になった背景と代替手段
コードを書かずにエージェントを作る理由
RAG（Retrieval-Augmented Generation）は、社内文書やナレッジベースを検索して回答に反映する仕組みです。エージェントは、検索だけでなくツール呼び出しや複数ステップの判断を自動で回します。
従来はPythonコードでグラフを組み、プロンプトを調整し、ベクトルDBを接続する流れが一般的でした。非エンジニアが試すにはハードルが高く、プロトタイプと本番運用の間にも断絶がありました。ノーコードOSSは、GUIやCLI上の対話だけでこの一連の流れをカバーし、自前ホストでプライバシーを守れる点が強みです。
AutoAgent：目標を伝えるだけで計画から実行まで
香港大学データサイエンス研究所（HKUDS）が開発するAutoAgentは、「Fully-Automated & Zero-Code LLM Agent Framework」と名乗るフレームワークです。自然言語だけでエージェント・ツール・ワークフローを構築し、高レベルの目標から計画分解・実行まで自動で進めます。
公式ドキュメントでは、GAIAベンチマークでオープンソース手法の1位を記録し、OpenAIのDeep Researchに匹敵する性能としています（参考）。内蔵のAgentic-RAGと自己管理型ベクトルDBは、LangChainベースの構成と比較して優位と謳われています。
利用モードは大きく3つです。
- user mode：情報収集とレポート生成に特化したマルチエージェント。Deep Research相当の調査をCLIから実行できます
- agent editor：対話でエージェントとツールを生成。要件入力からプロファイル作成・ツール生成まで自動化します
- workflow editor：自然言語でワークフローを組み立てます（ツール作成は未対応）
起動は pip install -e . のあと auto main です。Anthropic、OpenAI、DeepSeek、Gemini、Groqなど、Litellm互換のモデル名を環境変数で切り替えられます。Dockerコンテナ上でエージェントがコードを書き、ツールを自己改善する設計も特徴です。GitHubではMITライセンスで公開され、スター数は9000超（2026年7月時点）です。
「プロンプトを渡せば動くエージェントシステムになる」というSumanth氏の説明は、user modeの体験に最も近い切り口です。コードを書かずに試したい人の入口として、今回の5選の中で最も新しさが出やすいツールです。
AnythingLLM：RAGとエージェントを1つのワークスペースに
AnythingLLMは、Mintplex Labsが開発するオールインワンのAIアプリです。RAG、エージェントワークフロー、文書管理を単一のセルフホスト環境にまとめ、技術者と非技術者の両方が自社データ周りのツールを作れる設計です。
READMEでは、ノーコードのAIエージェントビルダー、MCP（Model Context Protocol）互換、マルチユーザー対応、動的モデルルーティングなどが挙げられています。PDFやDOCXの取り込み、埋め込みチャットウィジェット、スケジュール実行まで揃っており、社内ナレッジベース付きチャットボットを最短で立ち上げたいチーム向けです。デスクトップ版（Mac・Windows・Linux）も提供され、Docker版では複数ユーザーと権限管理が使えます。GitHubスター数は6万以上と、5選の中でもコミュニティ規模は大きい部類です。
Sim：ビジュアル編集と実行トレースでデバッグしやすい
Simは、エージェントパイプラインを実行可能なグラフとして設計するビジュアルワークフロービルダーです。1000以上の外部連携と主要LLMに対応し、Slack、Notion、HubSpot、データベースなどをノードとしてつなげられます。
内蔵のAI Copilotがフローの生成・修正を支援する点が、Sumanth氏の紹介でも強調されています。実行トレースで各ステップの入出力を追えるため、複数エージェントが絡むチェーンの不具合切り分けに向きます。セルフホストは npx simstudio かDocker Composeで始められ、テーブル・ファイル・ナレッジベース・スケジュールタスクを同一ワークスペースで扱えます。クラウド版のsim.aiも用意されています。
Dify：本番投入を見据えた監視とLLMOps
Difyは、LangGeniusが開発するオープンソースのLLMアプリ開発プラットフォームです。ビジュアルキャンバスでワークフローを組み、RAGパイプライン、エージェント、プロンプトIDE、モデル管理を一体化します。
本番運用を意識した設計が際立ちます。Opik、Langfuse、Arize Phoenixといったオブザーバビリティ連携がREADMEに明記され、ログ分析やプロンプト改善のサイクル（LLMOps）を回しやすくなっています。エージェントにはFunction CallingとReActの両方を選べ、Google SearchやDALL·Eなど50以上の組み込みツールが用意されています。Docker Composeで docker compose up -d 後、ブラウザから初期設定する流れは手順が整理されており、実ユーザーへのデプロイを想定するなら5選の中で標準的な選択肢になります。スター数は14万以上と最大規模です。
LangChain Open Agent Platform：LangGraphの可視化UI（非推奨）
LangChain Open Agent Platform（OAP）は、LangGraph上にノードとエッジでエージェントの流れを可視化するUIです。ルーティング、ループ、マルチエージェント連携をコードを書かずに設計できる点が売りでした。
ただし、READMEにはリポジトリが非推奨（deprecated）と明記されています。代替として、LangSmith上のAgent Builderの利用が推奨されています。RAG機能を使う場合は、別途LangConnectサーバーの稼働が必要です。既存のLangGraphエージェント資産をGUIで触りたい開発チームには依然参考になりますが、新規導入は公式の後継サービスを先に検討するのが現実的です。
用途別の選び方
自然言語だけで「調べてまとめて」と頼み、計画から実行まで任せたいならAutoAgentが第一候補です。社内文書を安全に閉じた環境で扱い、チャットとエージェントを同じ画面で回すならAnythingLLMが向きます。外部SaaSとつなぐ複雑なフローを視覚的に組み、実行ログで原因を追うならSimが合います。実ユーザーへの公開と監視・改善サイクルまで見据えるならDifyが有力です。LangGraph資産のGUI管理を探している場合は、OAPの非推奨を踏まえLangSmith Agent Builderを確認してください。
いずれもオープンソースとしてソースコードを確認でき、自前サーバーに載せられる点は共通です。まずはAutoAgentの auto main かAnythingLLMのDocker版から触り、要件が固まった段階でSimやDifyへ広げる進め方が現場では扱いやすいでしょう。