For the complete documentation index, see llms.txt. Markdown versions of all docs pages are available by appending .md to any docs URL.

Solo Enterprise for agentregistry の詳細について説明します。

Solo Enterprise for agentregistry は、AI エージェント、MCP ツールサーバー、スキルなど、AI アーティファクトのライフサイクルを管理するためのエンタープライズグレードの AI アーティファクトプラットフォームです。Solo Enterprise for agentregistry を使用すると、プロバイダーをまたぐデプロイを容易にオーケストレーションし、AI デプロイの効率とコストを監視できます。本製品は オープンソースの agentregistry プロジェクト を基盤としています。

AI アーティファクトの課題

組織が AI アプリケーションを構築する際、さまざまな環境やチームにまたがる AI アーティファクトの検出、管理、ガバナンスに大きな課題を抱えます。これらの課題は、使用するプロトコルやフレームワークに関係なく、エージェント、MCP サーバー、スキル、その他の AI コンポーネントなど、あらゆる種類の AI アーティファクトに広く当てはまります。

属人的な知識と非公式な共有

レジストリがない場合、チームは Slack で共有された MCP サーバーエンドポイント、メールで渡されたスキルファイル、どのプロンプトが最も効果的かについての口コミなど、非公式なチャネルに頼ることになります。このような属人的な知識は、チームが成長するにつれて機能しなくなります。

• 開発者は、どのアーティファクトが存在し、どれが承認済みで、どれが現在もアクティブにメンテナンスされているかを判断できません。
• ある開発者が有用なスキルを作成し、同僚と共有します。その後、そのスキルを反復改善しても、同僚は古いバージョンを実行したままで、新しいバージョンが存在することを知る方法がありません。
• MCP サーバーはアドホックに立ち上げられ、非公式に共有されます。時間が経つと、どれがセキュリティで審査済みか、どれがまだ実行中か、どれが機密性の高い機能を公開しているかが分からなくなります。

このような断片化は、作業の重複、一貫性のない実装、セキュリティ上の死角につながります。

環境横断での検出

最も差し迫った課題の 1 つは、どの AI アーティファクトが利用可能で、どこにあるのかを検出することです。AI アーティファクトは、複数のコンテナレジストリ、GitHub リポジトリ、社内開発環境、サードパーティソース、クラウド環境に分散していることがよくあります。一元化されたカタログがないと、開発者は既に存在し使用が承認されている AI アーティファクトを見つけるのに苦労します。また、チームにはユースケース、バージョン、ステータスでアーティファクトをフィルタリングするためのメタデータと検索機能も不足しており、検出は時間のかかる手作業になります。

スキルとプロンプトのバージョンドリフト

スキルとプロンプトは絶えず進化します。開発者がスキルを 10 回反復しても、最初に共有された全員がまだバージョン 1 を使っていることがあります。新しいバージョンが存在することを利用者に通知する方法も、最新の反復版を公開する単一の場所も、異なるチームが構築したエージェントが同じ承認済みプロンプトベースラインを使用するように保証する仕組みもありません。

マルチクラウドエージェントの拡散

エージェントは、Kubernetes、GCP Vertex、AWS AgentCore など、さまざまな環境とプラットフォームにデプロイされます。各プラットフォームには独自のデプロイモデル、オブザーバビリティスタック、アクセス制御があります。これらすべての環境に同じポリシーを適用することは、困難で時間がかかる場合があります。さらに、統一された AI アーティファクトライフサイクルがないため、開発者が複数のクラウドに対してエージェントをビルド、バージョン管理、検出、ガバナンス、デプロイすることが困難になります。

ガバナンスと承認

組織は、承認済みで安全かつ検証済みの AI アーティファクトだけが本番環境で使用されるようにする必要があります。しかし、現在の状況には次のような仕組みが不足しています。

• 承認ワークフローと環境横断のガバナンス: チームが利用できるアーティファクトをレビュー、承認、制御するための標準化された方法がありません。アーティファクトが複数の環境、リポジトリ、レジストリに分散しているため、同じセキュリティポリシー、品質基準、コンプライアンス要件を適用することが難しくなる可能性があります。
• アーティファクトステータスの可視性: チームは、どのアーティファクトが使用承認されているかを把握できていないことがよくあります。この可視性の欠如は、セキュリティリスクやコンプライアンス違反につながる可能性があります。
• 監査とコンプライアンス: 法的要件やコンプライアンス要件を満たすには、誰がいつアーティファクトを承認したかを示す監査証跡の維持が重要になります。

アーティファクトレジストリインフラストラクチャ

AI アーティファクトを大規模に管理するためのインフラストラクチャは、断片化しており不完全です。

• 標準化されたストレージの欠如: 組織やチームをまたがって AI アーティファクトを保存、バージョン管理、配布する統一された方法がありません。アーティファクトは、異なるコンテナレジストリ、コードリポジトリ、または社内システムに分散してしまいます。
• 命名と解決: 一元化された命名と解決のシステムがないため、異なる環境にまたがってアーティファクト名を実際の場所、バージョン、またはデプロイエンドポイントへ解決する方法が不明確です。
• ライフサイクル管理: 作成からデプロイ、更新、廃止に至るまで、アーティファクトのライフサイクル全体を管理するには、複数のツールとプロセスをまとめて扱う必要があります。
• メタデータのエンリッチメント: 一部のアーティファクトには基本的なメタデータがありますが、検証スコア、セキュリティ評価、使用状況分析、その他のコンテキスト情報でアーティファクトを体系的にエンリッチし、チームが情報に基づいた意思決定を行えるようにする方法はありません。

これらの課題により、チームが自信を持って AI アーティファクトを大規模に検出、デプロイ、管理できる本番対応の AI アプリケーションを構築することが、組織にとって困難になっています。適切な検出およびガバナンスの仕組みがないと、組織はセキュリティの脆弱性、コンプライアンスの問題、作業の重複、一貫性のない実装のリスクにさらされます。

agentregistry がギャップを埋める方法

agentregistry によって、組織全体で AI アーティファクトを管理する課題をどのように克服できるかを説明します。

ビルド、パッケージ化、デプロイ

agentregistry には、エージェント、スキル、MCP サーバーを含む AI アーティファクトの開発サイクル全体を開発者が管理できる組み込みツールが用意されています。agentregistry を使用すると、AI アーティファクトを Docker イメージとして迅速に作成、ビルド、パッケージ化できます。次に、これらのイメージをローカルで実行してすべてが動作することを確認し、agentregistry に公開して他の開発者がアーティファクトを検出できるようにします。

レジストリへのアーティファクト公開はシンプルです。開発者は単一のコマンドで公開できるため、複雑なデプロイプロセスを排除し、本番環境までの時間を短縮できます。公開されたアーティファクトは、開発者のローカルマシン、CI/CD パイプライン、本番クラスターのいずれであっても、レジストリからプルして任意の環境ですぐに実行できます。この開発者向けワークフローにより、実証済みコンポーネントのキュレーションされたライブラリにアクセスでき、必要に応じてカスタムソリューションを構築する柔軟性を維持しながら、アーティファクトとアプリケーションの開発を加速できます。

エージェントをエージェント型プラットフォームにデプロイする前に、開発者は agentregistry を使用して、エージェントに付加したい特定の MCP サーバー、ツール、エージェントスキルを選択できます。このコンポジションアプローチにより、開発者はレジストリから実証済みでテスト済みのコンポーネントを組み合わせて、強力でカスタマイズされたエージェントを構築できます。

一元的なガバナンスとキュレーション

agentregistry により、組織は包括的なガバナンスを確立し、セキュリティ標準を維持し、社内で使用されるすべての AI アーティファクトの品質を確保できます。組織は、社内で開発したもの、オープンソースリポジトリから取得したもの、サードパーティベンダーから入手したものなど、任意のソースの AI アーティファクトをパッケージ化して収集し、組織が制御する単一の統一レジストリにまとめることができます。この一元化されたアプローチにより断片化が解消され、すべての AI アーティファクトに対する唯一の信頼できる情報源が提供されます。

agentregistry を使用して、アーティファクトがチームに利用可能になる前に、レビューと承認ワークフローを実装することもできます。これらのワークフローは、キュレーションプロセス全体を通じて品質とセキュリティの標準を維持し、エージェント、サーバー、スキルがセキュリティ、品質、コンプライアンス要件を満たすようにします。agentregistry に承認および公開されたアーティファクトだけが環境にデプロイできるため、未テストまたは安全でない可能性のあるアーティファクトが本番環境に到達するのを防ぎます。

agentregistry はアーティファクトの複数のバージョンも追跡および管理するため、新しいバージョンがテストおよび承認されている間も、チームは安定したバージョンを使用できます。

検出

agentregistry を使用すると、開発者は組織全体で MCP サーバー、エージェント、スキルなどの AI アーティファクトを簡単に検出、プル、共有できます。アーティファクトは、名前、説明、タグ、メタデータで検索できるため、開発者はプロジェクトに関連するアーティファクトを簡単に見つけられます。また、どのエージェントがどの MCP サーバーやスキルを使用しているかなど、アーティファクト間の依存関係を追跡することもできます。