Goose とは？
Goose は Block（旧 Square）がオープンソース化したローカル動作 AI エージェントです。従来のコードアシスタントの提案モードを超え、複雑な開発タスクを自律的に実行できます。デバッグからデプロイまで、Goose は実際のエンジニアのようにあなたの開発環境で作業します。
ChatGPT や GitHub Copilot とは異なり、Goose はコードの提案だけを行うのではなく、IDE と開発環境に直接接続し、コマンドの自動実行、テストの実行、エラーの修正を行います。あなたが何をすべきか伝えるだけで、Goose が完了させてくれます。
コア機能
ローカル実行、完全なコントロール
Goose はあなたのローカルマシン上で動作し、すべてのコードとデータ処理をあなたの管理下に置きます。これは次のことを意味します：
- プライバシー保護：コードがクラウドにアップロードされない
- 低遅延：リモート API の応答を待つ必要なし
- オフライン動作：ローカル LLM と組み合わせれば完全オフラインで利用可能
1700 以上の MCP サーバー拡張
Model Context Protocol (MCP) を通じて、Goose は 1700 を超える拡張サーバーに接続できます：
- GitHub 自動化（PR 管理、Issue 対応）
- Google サービス（Drive、Calendar、Docs）
- Figma デザインからコードへ
- データベース操作
- API テストツール
- カスタムツールチェーン
真の自律エージェント
Goose の最大の優位性は自律性にあります。指示を待つのではなく、以下のことできます：
- タスク目標の分析
- 実行計画の策定
- 段階的な実行と結果の検証
- エラー発生時の自動修正
- 完了後の結果報告
マルチモデル対応
Goose は複数の LLM をサポートしています：
- 商用モデル：Claude、GPT-4、Gemini
- ローカルオープンソースモデル：Llama、Qwen、DeepSeek
- カスタムモデルエンドポイント
クイックスタート
インストール要件
- オペレーティングシステム：macOS、Linux、Windows (WSL2)
- Python：3.10 以降
- Node.js：18 以降（一部 MCP サーバー用）
インストール手順
# 1. リポジトリをクローン
git clone https://github.com/block/goose.git
cd goose
# 2. 依存関係をインストール
pip install -r requirements.txt
# 3. goose コマンドラインツールをインストール
pip install -e .
# 4. インストールを確認
goose --versionLLM の設定
Goose は複数の LLM 設定方法をサポートしています。以下は Claude を使用した例です：
# Anthropic API キーを設定
export ANTHROPIC_API_KEY="your-api-key-here"
# またはローカルモデルを使用（Ollama 経由）
export OLLAMA_MODEL="qwen2.5-coder:7b"設定ファイル ~/.config/goose/config.yaml を作成：
llm:
provider: anthropic
model: claude-sonnet-4-20250514
# またはローカルモデルを使用
# provider: ollama
# model: qwen2.5-coder:7b
extensions:
- name: github
config:
token: your-github-token
- name: filesystem
config:
allowed_dirs:
- ~/projects
- ~/work実際の使用シナリオ
シナリオ 1：自動デバッグと修正
# Goose にテスト失敗の分析と修正を依頼
goose run "テストファイル tests/api_test.py が失敗しています。エラーログを分析してコードを修正してください"Goose は次のことを行います：
- テストを実行してエラー情報を取得
- 失敗の原因を分析
- 関連コードを修正
- テストを再実行して検証
- 修正結果を報告
シナリオ 2：一括コード移行
# プロジェクト全体の文字列リソースを移行
goose run "src/ ディレクトリ内のすべてのハードコードされた文字列を i18n ファイルに抽出し、中国語と英語に対応させてください"シナリオ 3：テストデータの生成
# API スキーマに基づいてテストデータを生成
goose run "user API 用にスキーマに準拠した 100 件のテストデータを生成してください。境界ケースも含めて"シナリオ 4：GitHub ワークフローの自動化
# PR コメントを自動処理
goose run "直近 5 件の PR のコードレビューコメントを確認し、修正タスクリストを生成して実行してください"MCP サーバー拡張
MCP サーバーのインストール
# GitHub MCP サーバーをインストール
goose extensions install github
# ファイルシステム MCP サーバーをインストール
goose extensions install filesystem
# カスタム MCP サーバーをインストール
goose extensions install ./my-custom-extension人気 MCP サーバーの推奨
| 拡張名 | 機能 | 適用シナリオ |
|---|---|---|
github | GitHub API 統合 | PR 管理、Issue 自動化 |
filesystem | ファイルシステム操作 | 一括ファイル処理 |
google-drive | Google Drive 統合 | ドキュメント同期、バックアップ |
figma | Figma デザインのインポート | デザインからコードへ |
postgres | PostgreSQL データベース | データクエリ、移行 |
stripe | Stripe API | 支払いテスト、対照 |
カスタム MCP サーバー
Goose はカスタム MCP サーバーの作成をサポートしています。以下はシンプルな例です：
# my_extension.py
from goose.mcp import MCPServer
class MyCustomServer(MCPServer):
@property
def name(self) -> str:
return "my-custom-server"
async def handle_request(self, request):
# カスタムロジックを処理
return {"result": "custom response"}
# サーバーを登録
server = MyCustomServer()
server.run()高度な設定
ローカル LLM の使用（Ollama）
# Ollama をインストール
curl -fsSL https://ollama.com/install.sh | sh
# コード専用モデルをプル
ollama pull qwen2.5-coder:7b
# Goose が Ollama を使用するように設定
export GOOSE_LLM_PROVIDER=ollama
export GOOSE_LLM_MODEL=qwen2.5-coder:7b
export GOOSE_LLM_ENDPOINT=http://localhost:11434パフォーマンスの最適化
大規模プロジェクトでは、Goose のコンテキストウィンドウとキャッシュ戦略を設定できます：
# ~/.config/goose/config.yaml
performance:
context_window: 8192
cache_enabled: true
cache_dir: ~/.cache/goose
max_iterations: 50 # 無限ループを防止セキュリティ設定
Goose の権限範囲を制限：
security:
allowed_commands:
- git
- npm
- pytest
- make
forbidden_commands:
- rm -rf
- sudo
- curl | bash
allowed_dirs:
- ~/projects/my-app
network_access: false # ネットワークアクセスを禁止実例紹介
事例 1：30 分でカレンダー同期スクリプトを完成
あるエンジニアが Goose を使用して、GitHub PR からインラインコメントをダウンロードするカスタム CLI コマンドを作成しました。全体の作業時間は 30 分で、以下を含みます：
- GitHub API の理解
- 認証ロジックの作成
- ページネーションの処理
- エラーハンドリング
- テストと検証
事例 2：11 言語の文字列リソース移行
Android エンジニアが Goose に、11 言語のローカライゼーションファイルにわたって string-array を個別の文字列リソースに分割させました。Goose は自動的に：
- XML 構造を解析
- 翻訳の対応関係を維持
- 全言語ファイルを検証
- 差分レポートを生成
事例 3：API テストデータの自動生成
エンジニアが複雑な API のテストデータ生成が必要だったところ、Goose は以下の方法で完了しました：
- API スキーマを読み取り
- ビジネスルールを理解
- 有効なテストデータを生成
- API を呼び出して検証
- エラーに基づいて自動修正
- すべてのテストがパスするまで継続
他のツールとの比較
| 機能 | Goose | GitHub Copilot | Cursor | Aider |
|---|---|---|---|---|
| ローカル実行 | はい | いいえ | はい | はい |
| 自律実行 | はい | いいえ | 一部 | はい |
| MCP 拡張 | はい 1700+ | いいえ | 制限あり | いいえ |
| オープンソース | はい | いいえ | いいえ | はい |
| マルチモデル対応 | はい | いいえ | 一部 | はい |
| 無料 | はい | いいえ | いいえ | はい |
制限事項と注意点
現在の制限
- 学習コスト：MCP とエージェントの概念を理解する必要がある
- リソース消費：ローカルで LLM を実行するには十分なメモリが必要
- エラー処理：複雑なタスクでは人の介入が必要な場合がある
- エコシステム：Copilot と比較して、プラグインエコシステムはまだ成長中
ベストプラクティス
- 小さなタスクから始める：まずは単純なタスクを処理させて信頼を構築
- 権限の境界を設定：許可するコマンドとディレクトリの範囲を明確に
- コードレビュー：Goose が生成したコードは必ずレビューする
- 重要ファイルをバックアップ：自律操作にはリスクが伴う
- リソース使用を監視：ローカル LLM は大量の CPU/GPU を消費する可能性がある
今後のロードマップ
公式 GitHub ディスカッションによると、Goose の今後の開発方向は以下の通りです：
- より良い UI：デスクトップアプリケーションと Web インターフェース
- マルチエージェント協力：複数の Goose インスタンスが協調して作業
- エンタープライズ機能：チーム管理、監査ログ
- より多くの MCP サーバー：エコシステムの継続的な拡張
- パフォーマンスの最適化：より高速な応答と低リソース消費
まとめ
Goose は AI プログラミングアシスタントの次の方向性を示しています——受動的な提案から能動的な実行へ。そのオープンソース性、ローカル実行能力、強力な MCP 拡張エコシステムにより、プライバシー、柔軟性、自律性を追求する開発者にとって理想的な選択となっています。
AI の提案コードをコピー＆ペーストするのに飽き、本当に仕事をこなしてくれる AI エージェントを探しているなら、Goose は試す価値があります。
関連リソース
著者：Kevin Peng
公開日：2026-03-24
カテゴリ：AI アシスタント
所要時間：約 12 分
