PEPAGI

PEPAGI je open-source multi-agentní orchestrátor napsaný v TypeScriptu. Projekt ho popisuje jako AGI-like orchestration platformu, ale prakticky jde hlavně o řídicí vrstvu, která přijme úkol, rozloží ho na menší části, pošle je vhodným modelům nebo nástrojům a průběžně vyhodnocuje výsledek.

Z README vychází, že jádrem systému je centrální Mediator, který funguje jako koordinátor celé úlohy. Nepoužívá se jen jeden LLM, ale kombinace více providerů podle ceny, schopností a obtížnosti problému.

Projekt míří na situace, kde nestačí jednorázový chat nad jedním modelem, ale je potřeba:

• rozpad složitější úlohy na více kroků
• routing mezi více modely
• opakované ověřování výsledků
• práce s nástroji a externími integracemi
• dlouhodobější běh s pamětí a historií

Podle repozitáře může PEPAGI běžet jako CLI nástroj, daemon pro chatovací platformy nebo MCP server pro další integrace.

README popisuje PEPAGI jako vícevrstvý systém. Prakticky v něm jde hlavně o tyto části:

• Mediator – centrální mozek, který přijme úkol, rozhodne o rozkladu práce a řídí další kroky.
• DifficultyRouter – určuje obtížnost úlohy a vybírá nejlevnější model, který má šanci ji zvládnout.
• HierarchicalPlanner – rozkládá větší zadání na strategickou, taktickou a operativní úroveň.
• AgentPool – vrstva pro různé poskytovatele modelů a jejich kombinování.
• WorkerExecutor – spouští jednotlivé pracovní kroky a nástroje.
• WorldModel – dopředu simuluje možné výsledky a pomáhá vybírat vhodný postup.
• MemorySystem – uchovává historii úloh, znalosti a postupy.
• Metacognition – průběžně sleduje jistotu odpovědí, umí vyvolat další ověření a zpětnou reflexi.
• SecurityGuard a další obranné vrstvy – filtrují rizikové vstupy, chrání práci s nástroji a hlídají náklady.

Důležité je, že PEPAGI není vlastní foundation model. Je to orchestrace nad cizími modely a nástroji.

Podle README a package.json projekt podporuje tyto AI providery a režimy běhu:

README zároveň zmiňuje, že MCP server běží na portu 3099 a lze ho použít pro integraci s externími klienty nebo nástroji.

PEPAGI se snaží řešit víc než jen jednorázové volání modelu. README popisuje několik vrstev paměti:

• Working memory – zhuštěný kontext aktuální úlohy
• Episodic memory – historie dokončených úloh
• Semantic memory – extrahovaná fakta
• Procedural memory – naučené více-krokové postupy
• Meta-memory – sledování spolehlivosti znalostí v čase

Nad tím je postavená metakognitivní vrstva s prvky jako:

• sledování confidence
• cross-model verification
• post-task reflexe
• A/B testování strategií
• extrakce úspěšných postupů do znovupoužitelných skills
• watchdog pro detekci smyček, driftu nebo zbytečně drahého běhu

Z praktického pohledu to znamená, že systém nemá jen „odpovědět“, ale i rozhodnout, jestli výsledku věří, zda je potřeba ověření jiným modelem a co si z daného běhu ponechat pro příště.

V README je uvedený i vlastní tool layer pro worker agenty. Projekt zmiňuje například:

• bash pro shell příkazy
• čtení a zápis souborů
• stahování webu a web search
• browser automation přes Playwright
• kalendář
• Spotify
• YouTube
• Home Assistant
• počasí
• Notion
• Docker

To je důležité proto, že PEPAGI nemá být jen chat nad API, ale spíš agentický runtime, který může vykonávat více typů úloh podle povolených nástrojů.

Bezpečnostní vrstva je v projektu poměrně výrazná. SECURITY.md uvádí 35 kategorií hrozeb a obranných mechanismů. Mezi prakticky zajímavé body patří hlavně:

• ochrana proti prompt injection
• prevence úniku credentialů
• omezení zneužití nástrojů
• izolace session a práce s pamětí
• HMAC-SHA256 autentizace mezi agenty
• kill switch proti přerůstání nákladů
• rate limiting
• ochrana proti poisoning útokům v paměti nebo RAG vrstvách
• sanitizace výstupů a metadata scrubber

Security dokument také uvádí konkrétní limity a provozní pravidla, například:

• omezení hloubky dekompozice na 3 úrovně a 10 subtasků
• rate limiting 20 volání za minutu
• doporučení držet Ollamu jen na localhost
• požadavek na MCP_TOKEN pro MCP server
• hodinové adversarial self-testing v daemon režimu

Projekt navíc mapuje bezpečnost vůči OWASP ASI, MITRE ATLAS a NIST AI 600-1. To je potřeba chápat jako tvrzení autorů projektu, ne jako nezávisle ověřenou certifikaci.

Základní instalace pro Linux a macOS je podle README tato:

git clone https://github.com/Promptlab37/PEPAGI.git
cd pepagi
./install.sh

Ruční instalace:

git clone https://github.com/Promptlab37/PEPAGI.git
cd pepagi
npm install
npm run setup

Základní spuštění v CLI:

npm start

Jednorázový úkol:

npm start -- "summarize the latest news about AI"

Spuštění daemon režimu:

npm run daemon

TUI dashboard:

npm run tui

README uvádí i pomocné skripty pro běh na pozadí, například daemon:bg, daemon:stop a daemon:logs.

Podle README a .env.example je potřeba nastavit alespoň jednoho AI providera. Konfigurace probíhá přes npm run setup nebo ručně přes .env a ~/.pepagi/config.json.

Typické proměnné prostředí:

ANTHROPIC_API_KEY=...
OPENAI_API_KEY=...
GOOGLE_API_KEY=...
TELEGRAM_BOT_TOKEN=...
TELEGRAM_ALLOWED_USERS=...
DISCORD_BOT_TOKEN=...
PEPAGI_DATA_DIR=~/.pepagi
PEPAGI_MANAGER_MODEL=claude-opus-4-5-20251101
PEPAGI_MAX_TASK_COST=1.0
PEPAGI_MAX_SESSION_COST=10.0
PEPAGI_REQUIRE_APPROVAL=file_delete,git_push,network_external

Pro Claude lze podle README použít i OAuth přes Claude Code CLI místo klasického API klíče:

npm install -g @anthropic-ai/claude-code
claude login

README uvádí, že persistentní data se ukládají do ~/.pepagi/. Patří sem hlavně:

• config.json – konfigurace
• tasks.json – aktivní úlohy
• goals.json – plánované cíle
• memory/episodes.jsonl – historie dokončených úloh
• memory/knowledge.jsonl – naučená fakta
• memory/procedures.jsonl – naučené postupy
• memory/reflections.jsonl – reflexe po úlohách
• logs/ – strukturované logy
• audit.jsonl – auditní stopa

Z praktického pohledu je to důležité hlavně kvůli tomu, že jde o dlouhodobější agentní runtime, ne o stateless skript bez historie.

PEPAGI je zajímavý hlavně tím, že spojuje několik trendů současně:

• multi-agentní orchestraci
• model routing podle ceny a obtížnosti
• dlouhodobější paměť
• plánování více kroků dopředu
• provoz přes chatovací platformy i CLI
• důraz na bezpečnost agentických workflow

Repozitář navíc obsahuje i vrstvu, kterou autoři označují jako consciousness system – tedy phenomenal state, inner monologue a self-model. To je potřeba brát hlavně jako interní architektonický koncept projektu, ne jako důkaz skutečného „vědomí“.

• Projekt je ambiciózní a široký – neřeší jen chat, ale routing modelů, paměť, bezpečnost, nástroje, messaging i MCP.
• Řada tvrzení je potřeba chápat jako claim maintainera – například AGI-like framing nebo compliance mapování vůči bezpečnostním frameworkům.
• Setup není úplně malý – pro plné využití je potřeba řešit API klíče, chat platformy, lokální modely nebo bezpečnostní limity.
• České README obsahuje rozdílné clone URL – v README.cs.md jsou v některých příkladech uvedené cesty AiTaskForce/pepagi, zatímco hlavní repozitář je Promptlab37/PEPAGI. Před instalací dává smysl ověřit aktuální doporučenou cestu.

• PEPAGI na GitHubu
• PEPAGI – README
• PEPAGI – README.cs.md
• PEPAGI – SECURITY.md
• PEPAGI – package.json
• PEPAGI – .env.example