Skip to content
プロジェクト

s-nagaev/chibi has 56 GitHub stars and 13 forks. GitHot measured 0 stars in 24 hours, +2 in 7 days, and +2 in 15 days. Last checked 2026-11-18 13:13 UTC. Last push 2026-11-18.

この数値の測り方

できること

  • Recursive delegation: spawn sub-agents that can spawn their own sub-agents
  • Background processing: long-running tasks execute asynchronously
  • Filesystem access: read/write/search/organize files
  • Terminal execution: run commands with LLM-moderated security

計測したスター増加

24時間
0
7日間
+2
15日間
+2
1か月
履歴を収集中

期間ごとの純増数です。期間は重複しており、日別の値ではありません。未計測の値は空欄です。スター数は注目度の指標であり、品質の保証ではありません。

概要

Your Digital Companion. Self-hosted Telegram bot orchestrating multiple AI providers (OpenAI, Anthropic, Google, xAI, DeepSeek, Mistral, Alibaba, MiniMax) with autonomous agent capabilities, MCP integrations, and async task execution. Not a tool. A partner.

AI

docs/README.ja.md

オリジナル

Chibi ロゴ

あなたのデジタルコンパニオン。ツールではなく、パートナー。
複数のAIプロバイダー、ツール、サブエージェントをオーケストレーションし、実務を遂行する、セルフホスト可能な非同期Telegramボットです。

Build CodeFactor Docker Pulls PyPI ダウンロード アーキテクチャ ライセンス ドキュメント

🌍 Read this in other languages:
English • Español • Português (Brasil) • Українська • Bahasa Indonesia • Türkçe • Русский • 日本語 • 繁體中文 • 简体中文


Chibi は、「AIツール」だけでは足りないと気づいた瞬間のために作られています。必要なのは、モデルを連携させ、バックグラウンドで作業を進め、あなたのシステムと統合できる パートナー です。プロンプトの調整に追われる必要はありません。

Chibi は、複数のAIプロバイダーとツールをオーケストレーションし、成果(コード変更、調査結果の集約、メディア生成、運用タスクなど)を届ける、非同期・セルフホスト可能な Telegramベースのデジタルコンパニオン です。


Chibi を選ぶ理由

  • インターフェースは1つ(Telegram)。 モバイル/デスクトップ/ウェブで、いつでもどこでも。
  • プロバイダー非依存。 タスクごとに最適なモデルを選べます(ベンダーロックインなし)。
  • 自律的な実行。 サブエージェントが並列に動作し、長いタスクは非同期で進行します。
  • ツール連携。 ファイルシステム + ターミナル + MCP連携(GitHub、ブラウザ、DB など)。
  • セルフホスト。 データもキーもルールも、あなたの管理下に。

対応AIプロバイダー(およびエンドポイント)

Chibi は、単一の会話の中で複数プロバイダーを扱えます。キーは1つでも複数でも構いません。タスクに応じてルーティングできます。

LLMプロバイダー

ファーストパーティのモデルプロバイダー:

  • Alibaba Cloud(Qwen)
  • Anthropic(Claude)
  • DeepSeek
  • Google(Gemini)
  • MiniMax
  • Mistral AI
  • Moonshot AI(Kimi)
  • OpenAI(GPT 系)
  • Xiaomi(MiMoモデル)
  • xAI(Grok)
  • ZhipuAI(GLMモデル)

モデルリセラー・推論アグリゲーター:

  • Baseten
  • Cheaper Inference
  • Cloudflare Workers AI
  • DeepInfra
  • Entrim
  • Featherless
  • Fireworks AI
  • GreenPT
  • Lyceum
  • Melious
  • Nebius
  • Novita AI
  • OpenRouter
  • Parasail
  • SambaNova
  • SiliconFlow
  • Together AI

OpenAI互換エンドポイント(セルフホスト / ローカル)

  • Ollama
  • vLLM
  • LM Studio
  • 任意の OpenAI互換API

マルチモーダルプロバイダー(任意)

  • 画像: Google(Imagen, Nano Banana)、OpenAI(GPT Image)、Alibaba(Qwen Image, Wan)、xAI(Grok Imagine)、ZhipuAI(GLM Image, CogView)、MiniMax(Image-01)、および画像生成モデルへのアクセスを提供するあらゆるリセラー/アグリゲーター
  • 動画: Alibaba(Wan)、ZhipuAI(CogVideoX)、MiniMax(Hailuo)。ユーザーごとの月間上限は環境変数 VIDEO_GENERATIONS_LIMIT で設定できます
  • 音楽: Suno、ElevenLabs Music
  • 音声(TTS/STT): ElevenLabs、OpenAI(GPT-4o Transcribe / TTS)、Gemini(Transcribe)、Together AI(Whisper, Kokoro)、Xiaomi(MiMo TTS)、カスタムOpenAI互換エンドポイント(セルフホスト)

利用可能なモデルは、設定したプロバイダーキーと有効化した機能により異なります。


🚀 クイックスタート (pip)

pip 経由で Chibi をインストールし、コマンドラインアプリケーションとして実行します:

# パッケージのインストール
pip install chibi-bot

# エージェントの設定(API キーの追加、設定の更新など)
chibi config

# ボットの起動
chibi start

ボットはバックグラウンドサービスとして実行されます。CLI コマンドを使用して管理します。

CLIコマンド

コマンド 説明
chibi start ボットをバックグラウンドサービスとして起動
chibi stop 実行中のボットを停止
chibi restart ボットを再起動
chibi config 設定の生成または編集
chibi logs ボットのログを表示

ローカルクライアントフロントエンド

Chibi は、バージョン管理されたローカル JSONL プロトコルを介してローカルクライアントにサービスを提供できます:

chibi stdio --tui
chibi stdio --vscode
chibi stdio --pycharm
chibi stdio --neovim

このコマンドはクライアントフロントエンドから起動されることを想定しており、対話的に使用するものではありません。Chibi は v1 プロトコルを所有し、同じバージョンをネゴシエートする互換クライアントをサポートします。stdio プロセスはプロトコルフレームのみを stdout に書き出し、診断情報は stderr に書き出します。既存の Chibi のコマンド、ツール、権限、モデレーションの挙動が引き続き基準となり、クライアントが独自のツールポリシー層を追加することはありません。


🚀 クイックスタート(Docker)

docker-compose.yml を作成します:

version: '3.8'

services:
  chibi:
    image: pysergio/chibi:latest
    restart: unless-stopped
    environment:
      TELEGRAM_BOT_TOKEN: ${TELEGRAM_BOT_TOKEN}  # 必須
      OPENAI_API_KEY: ${OPENAI_API_KEY}          # または他のプロバイダー
      # 必要に応じてAPIキーを追加
    volumes:
      - chibi_data:/app/data

volumes:
  chibi_data: {}
  1. @BotFather からボットトークンを取得します

  2. .env にシークレットを設定します

  3. 実行:

docker-compose up -d

次はこちら:


🔑 APIキーの取得

各プロバイダーには独自のAPIキーが必要です。直接リンクは以下の通りです:

ファーストパーティのモデルプロバイダー:

モデルリセラー・推論アグリゲーター:

クリエイティブツール:

📖 セットアップ手順を含む完全ガイド: chibi.bot/guides/get-api-keys


最初の5分で試せること

デプロイ後、Telegram に以下を貼り付けて試してください。

  1. 計画 + 実行

目標を明確にするために質問を3つしてください。その後、計画を提案し、ステップ1を実行してください。

  1. 並列作業(サブエージェント)

サブエージェントを3つ起動してください。1つは選択肢の調査、1つは推奨案のドラフト、1つはリスクの列挙を担当。最終的に1つの意思決定としてまとめてください。

  1. エージェントモード(ツール)

プロジェクトファイルを確認し、このリポジトリが何をするものか要約してください。その後、改善案を5つ提案し、チェックリストを作成してください。

  1. バックグラウンドタスク

バックグラウンドタスクを開始してください: X に関する情報源を集め、30分後に要約を提出。進捗も随時共有してください。


Chibi の違い

🎭 マルチプロバイダー・オーケストレーション

Chibi は、スレッドの途中でプロバイダーを切り替えてもコンテキストを維持できます。あるいは、ステップごとに最適なモデルを選択し、コスト・性能・速度 のバランスを取れます。

🤖 自律エージェント機能

  • 再帰的な委任: サブエージェントを起動し、そのサブエージェントがさらにサブエージェントを起動できます
  • バックグラウンド処理: 長時間タスクを非同期で実行します
  • ファイルシステムアクセス: ファイルの読み書き/検索/整理
  • ターミナル実行: LLM によるセキュリティモデレーション付きでコマンドを実行
  • 永続メモリ: 会話履歴は再起動後も保持され、コンテキスト管理/要約に対応
  • スキル: 組み込みスキルはパッケージに同梱されており、インストール後すぐに使えます。カスタムスキルは skills_dir に .md ファイルを置くだけで追加できます(同名ファイルは組み込みを上書きします)。エージェントは必要に応じてシステムプロンプトに読み込めます(load_skill)

🔌 MCP(Model Context Protocol)による拡張

Chibi を外部ツールやサービスに接続できます(または自作も可能です)。

  • GitHub(PR、Issue、コードレビュー)
  • ブラウザ自動化
  • Docker / クラウドサービス
  • データベース
  • クリエイティブツール(Blender、Figma)

MCP 経由で公開できるツールであれば、Chibi は使い方を学習して活用できます。

🎨 リッチなコンテンツ生成

  • 画像: Nano Banana、Imagen、Qwen、Wan、GPT Image、Grok Imagine、GLM Image
  • 動画: Wan(Alibaba)、CogVideoX(ZhipuAI)、Hailuo(MiniMax)
  • 音楽: Suno(カスタムモード: スタイル/歌詞/ボーカル指定を含む)
  • 音声: 文字起こし + テキスト読み上げ(ElevenLabs、OpenAI)

ユースケース

開発者

あなた: 「テストを実行して、壊れているところを直しておいて。フロントエンドは私がやる。」
Chibi: *サブエージェントを起動し、テストを実行、失敗を分析し、修正案を提示*

研究者

あなた: 「量子コンピューティングの最新動向を調べて。明日までに要約が必要。」
Chibi: *複数の調査エージェントを起動し、情報源を集約してレポートを作成*

クリエイター

あなた: 「サイバーパンクな都市景観を生成して、それに合うシンセウェーブ曲も作って。」
Chibi: *画像を生成し、音楽を作成し、両方を提供*

チーム

あなた: 「このPRをレビューして、ドキュメントもそれに合わせて更新して。」
Chibi: *変更を分析し、改善提案を行い、MCP 経由でドキュメントを更新*

プライバシー、制御、安全性

  • セルフホスト: データはあなたのインフラ内に留まります
  • パブリックモード (Public Mode): ユーザーが自分のAPIキーを持ち込めます(共有のマスターキーは不要)
  • アクセス制御: ユーザー/グループ/モデルのホワイトリスト
  • ストレージの選択肢: ローカルボリューム、Redis、DynamoDB
  • ツールの安全性: エージェントツールは設定可能です。ターミナル実行はモデレートされ、制限できます

MAX_HISTORY_TOKENS — コンテキスト要約のしきい値(デフォルト値の破壊的変更)

MAX_HISTORY_TOKENS は、コンテキストを扱いやすい規模に保つために Chibi が会話を自動要約するしきい値です。セマンティクスが変更されました:会話の content + role のみを計測していた従来のヒューリスティックに代わり、プロバイダーが報告する実際のプロンプトトークン数(送信リクエスト全体:システムプロンプト + 有効化されたスキル + ツールスキーマ + ツール呼び出しの引数 + メッセージごとの構造的オーバーヘッド + 会話内容)と比較するようになりました。同一の会話において、実際の数値は従来の推定値より約 4.8 倍大きくなります(計測された内訳は fix_context_size/context_size_accounting_analysis.md を参照してください)。

  • デフォルト値の基準変更: 64000 → 100000。新しい値は、一般的にサポートされる最小のコンテキストウィンドウ(128k トークン)を保護します。100000 は 128k ウィンドウの約 78%(128k モデルがオーバーフローする前に要約が起動する)、200k ウィンドウの約 50%(十分な余裕を確保)です。従来の 64000 は履歴のみの推定値であり、実際のオーバーフローの前に到達することはありませんでした。この推定はキリル文字を約 2 倍過小評価し、さらにターンごとの固定オーバーヘッド(システムプロンプト 約 3.7k、ツールスキーマ 約 6.8k、有効化されたスキル 約 5.9k、user_info 約 0.75〜3k)を除外していたためです。その結果、ヒューリスティックが 64k を大きく下回ると報告している間にも、128k モデルは実際の約 128k トークンでオーバーフローしていました。
  • 移行: .env で MAX_HISTORY_TOKENS を明示的に設定していた場合、その値は従来の履歴のみの推定値に合わせて調整されたものであり、現在は同一の会話で約 4.8 倍大きい正確な数値と比較されます。約 100k のスケールに合わせて再調整してください(例: 64000 → 100000)。これにより、最小のモデルのコンテキストウィンドウがオーバーフローした後ではなく、その前に要約が起動します。設定したことがない場合は、新しいデフォルト値が自動的に適用されます。
  • コールドスタート時のフォールバック(プロセス再起動後の最初のターンで、プロバイダーのデータがまだキャッシュされていない場合)は引き続き従来のヒューリスティックを使用するため、要約機能は動作し続けます。

REACTIVE_CONTEXT_RECOVERY — コンテキストオーバーフロー後のワンショットリトライ

REACTIVE_CONTEXT_RECOVERY(デフォルト: true)は、先回りして動作する MAX_HISTORY_TOKENS のしきい値を補完する、リアクティブなセーフティネットです。プロバイダーが型付きの context_length_exceeded エラーでリクエストを拒否すると、Chibi は会話履歴を自動的に要約し、そのターンをちょうど 1 回だけリトライします。リトライが成功した場合、ユーザーは通常の回答を受け取ります(コンテキストが圧縮された旨の短い注記付き)。リトライが再びオーバーフローするか、何らかの理由で復旧に失敗した場合、そのターンは既存の謝罪パスにフォールバックします。要約 + リトライのループが元のターンごとに 2 回以上実行されることはありません。リアクティブな復旧を無効にして従来の挙動(ログ + 謝罪、リトライなし)を維持するには、false を設定してください。

作業ディレクトリはスレッド単位(WORKING_DIR)

エージェントの作業ディレクトリ(ターミナルコマンドに使用され、現在の CWD としてモデルに報告される)はスレッド単位であり、選択された LLM モデルがスレッドごとに紐づけられるのと同様の仕組みです。

  • デフォルト: WORKING_DIR 設定(デフォルト ~/chibi)に由来し、旧来のユーザーレベルの値を経由します。新規デプロイでは設定を直接継承します。
  • スレッドごとの上書き: 任意のスレッド/会話は、エージェントの set_working_dir ツールを使って作業ディレクトリを個別に上書きできます(LLM 主導のみ — スラッシュコマンドはありません。FILESYSTEM_ACCESS が有効な場合に利用可能)。これにより、異なるスレッドの 2 つのエージェントが互いに干渉することなく、同時に別々のプロジェクトで作業できます。
  • 解決順序: スレッドの上書き → 旧来のユーザーレベルのディレクトリ → WORKING_DIR 設定。
  • パスの正規化: 設定した値は保存時に絶対パスへ展開されます(~/x は /abs/x になります)。変更されていないデフォルト値は元の形式を保ちます。
  • スレッド内で起動されたサブエージェントは、そのスレッドの作業ディレクトリを共有します。同一の有効パスがシステムプロンプトとツール呼び出しに注入されます。
  • 上書きはスレッドのクローン後も維持されます:/new_thread_with_current_context は、メッセージとモデルの設定とともに作業ディレクトリも引き継ぎます。

ドキュメント


システム要件

  • 最小: Raspberry Pi 4 / AWS EC2 t4g.nano(2 vCPU、512MB RAM)
  • アーキテクチャ: linux/amd64、linux/arm64
  • 依存関係: Docker(および任意で Docker Compose)

コントリビュート

投稿前に CONTRIBUTING.md をお読みください。


ライセンス

MIT — 詳細は LICENSE を参照してください。


デジタルコンパニオンに会う準備はできましたか?
はじめる →