アーキテクチャ
モデル呼び出しを信頼できるエージェントセッションに変える実装。
Orkas Blog は、Orkas が自分のモデルキーで AI エージェントチームを調整する、オープンソースでローカルファーストなデスクトップクライアントとしてどう動くかを解説します。
モデル呼び出しを信頼できるエージェントセッションに変える実装。
リードエージェントがタスクを分解し、サブエージェントを動かす仕組み。
データとキーを手元に置き、自分のプロバイダーを使う場合に通信が Orkas のサーバーを経由せず直接送られる理由。
代理店が売っているのは分解可能な三つ——キャパシティ、専門性、説明責任——が一枚の請求書に束ねられたものであり、多くの企業が必要とするのは三つ未満です。キャパシティはひとりで作るのが格段に安くなり、残る二つはほとんど動いていません。自分が実際に買っているのはどれかを見極める方法。
他人がいくら取っているかではなく、あなたがいくら稼ぐ必要があるかから始める。ブラウザ内で動く料金計算ツール、その裏の計算、本物の相場のありか、そして既存クライアントの単価を上げる 4 つの方法。
クライアントが実際に読む 6 つのセクション、それぞれに何を書くか、実際に使うべき執筆順序——加えて記入済みの Word と Excel のテンプレート、そして両方を生成する 2 ステップのレシピ。メール登録は不要です。
Kimi K3 はパラメータを 1T から 2.8T に増やしたが、それはレポートで最も面白くない数字だ。アーキテクチャは系列・深さ・幅に沿って拡張され、そのうち一つの変更はたった一つの下界と引き換えに GPU のコードパスを丸ごと消した。各方向が何を買ったのか、その請求書がサービング側でどう回ってくるのか、そしてレポートが静かに手放した業界の慣習。
ほとんどの Agent はコンテキストがウィンドウの一定割合に達したら圧縮を発火させ、古いものから捨てる。この閾値が知っているのは「もう入りきらない」ことだけだ。マイルストーン・マルコフ性がなぜ事実ではなく仮定なのか、そして圧縮がなぜ訓練より一桁厳しくそれを要求するのか。
Orkas には永続的な計画マイルストーンがあり、各ツール呼び出しが実際に何を変えたかも記録している。だが両者はつながっておらず、完了はモデルの申告だけで決まる。BEACON が検出器をどこに置くか、実装するなら三層に分ける理由、そして論文にはない判定基準。
Orkas には三層のループ検知があるが、行き詰まった高性能モデルはどれも捕まえられない。三層とも「繰り返しているか」を問うのに、行き詰まったモデルは繰り返さないからだ。その盲点、BEACON から借りた出力側の進捗定義、そしてまず何を測るか。
浙江大学の BEACON を精読。長期タスクの Agent が強化学習で崩壊する理由、マイルストーンに信用を固定する解法、そして数式を追って初めて腑に落ちる、自己矛盾に見える指標。
引用はランキングではありません。まずリトリーバルを通り抜け、そのうえで引用に値する一節であること。OpenAI の三つのボット、robots.txt が隠す CDN の門、そして JavaScript の裏にある事実が存在しない理由。
Claude Code と Codex は得意分野が違います。二つのターミナルと git worktree を使う手動のやり方と、一つの Orkas Commander で両方を一つのチャットから動かすやり方を解説します。
Orkas が、暗号化された転送、内容保存、サーバー側の確定処理、アカウント単位の同期ロック、同期ルール、モデル支援の競合処理、削除確認、同期ごみ箱でユーザーデータを複数デバイスに同期する仕組み。
Orkas が 1.0 リリースラインで、モデル呼び出し、Agent loop、マルチ Agent 編成、tool ecosystem をどう刷新し、desktop agent の土台を取り戻したか。
主 Agent が依頼を plan に変え、依存関係に沿ってサブ Agent を dispatch し、step 間で context を渡し、失敗から回復する仕組み。
コストを決めるのは秒単価ではなく反復回数です。やり直しの出どころと、現場の推奨を既定動作にする方法。
データ、API キー、モデル通信をベンダーのクラウドではなく自分のマシンに置く意味と、BYO-key 型 agent の動き方。
Orkas がモデル呼び出しを信頼できるデスクトップ agent runtime に変える方法。streaming run loop、tool routing、context compaction、provider abstraction、memory、crash-safe sessions。
Orkas のローカル自己進化 loop を解説します。軽量 signals、background reflection、実行可能な skills、skill metrics、誤った学習を防ぐ guardrails。
Orkas は macOS と Windows 向けの、オープンソースでローカルファーストなデスクトップ AI クライアントです。単一のアシスタントと話す代わりに、エージェントのチームを指揮します。リードエージェントが目標を担い、サブエージェントを招集してスキルを呼び出し作業を進めます。任意の Orkas 管理公式モデルを使うか、OAuth または API キーで自分のプロバイダーを接続できます。ワークスペースは既定でローカルファーストです。
ローカルファーストとは、データと制御が自分の端末に残るということです。チャット、ファイル、ナレッジベース、メモリ、暗号化されたモデルキーは既定で手元に保存されます。自分のプロバイダーを使う場合、モデル通信はあなたのPCからそのプロバイダーへ直接送られ、Orkas のサーバーを経由しません。公式モデルは Orkas のマネージドモデルサービスを利用します。
リードエージェントが目標を読み取り、ステップに分解し、タスクと能力に応じてサブエージェントを招集します。各サブエージェントは限定されたコンテキストで働き、スキル(Web 検索・コード実行・ファイル入出力・ナレッジベース検索・コネクタ)を呼び出して成果を出します。リードは必要な情報だけを渡すため、トークンコストを抑え、責務を明確に保てます。
主な用途は、調査と分析、執筆と編集、ネイティブまたは外部 CLI エージェント(Claude Code、Codex、OpenClaw など)でのコーディング、データ作業、学習、オフィス文書などです。繰り返す作業を一度だけ再利用可能なサブエージェントにして、必要なときにチャットから呼び出すこともできます。
現在の公開版は macOS/Windows デスクトップアプリです。iOS リモートコントロールリレーは無効で、Web クライアントはありません。公式マネージドモデルまたは自分のプロバイダーを利用でき、任意同期は選択データを Orkas に保存します。