ARI クイックスタートガイド

このガイドでは、ARI のインストール、AI モデルの選択、Web ダッシュボードを使った最初の実験の実行方法を順を追って説明します。プログラミングの経験は不要です。

CLI（コマンドライン）での使い方については、CLI リファレンスを参照してください。

インストール前にプレビュー
🎬 ダッシュボードのデモ動画 — movie/ja/ari_dashboard_demo.mp4 で Web UI の動作を一通り確認できます。
📄 サンプル成果物（論文） — sample_paper.pdf は ARI が aarch64 (SVE) HPC 上で生成した 8 ページの論文です（store-policy 選択＋loopline 誘導モデルの CSR SpMM 研究、全主張 gate 検証済み）。図表・引用まで含まれています。

必要なもの

要件	詳細
OS	Linux または macOS（Windows の場合は WSL2 を使用）
Python	3.10 以降
Git	リポジトリのクローンに使用
Web ブラウザ	Chrome、Firefox、Safari、または Edge

オプション（推奨）：

ツール	理由
conda / miniconda	LaTeX や PDF ツールのインストールが容易（sudo 不要）
Ollama	AI モデルをローカルで無料実行 — API キーもコストも不要
LaTeX	ARI で PDF 論文を生成する場合のみ必要

ステップ 1: ARI のインストール

ターミナルを開いて以下を実行してください：

bash

git clone https://github.com/kotama7/ARI.git
cd ARI
bash setup.sh

セットアップスクリプトは OS を自動検出し、必要なものをすべてインストールします。Linux、macOS、WSL2 で動作し、conda や sudo の有無を問いません。

v0.6.0 では、セットアップスクリプトが Letta (ari-skill-memory のバックエンド) も併せて立ち上げます。Docker → Singularity/Apptainer → pip の順に最適な配置を自動選択します。CI やコンテナビルド時など Letta のブートストラップをスキップしたい場合は SKIP_LETTA_SETUP=1 を、対話プロンプトを抑制したい場合は ARI_NONINTERACTIVE=1 を bash setup.sh 実行前にエクスポートしてください。

セットアップが完了すると、「Setup Complete」 と次のステップの案内が表示されます。Letta の疎通確認は後から ari memory health で行えます。

ステップ 2: AI モデルの選択

ARI は思考・計画・実験の実行に AI モデル（LLM）を必要とします。以下のいずれかを選択してください：

オプション A: Ollama — 無料、ローカル実行（推奨）

アカウント不要。API キー不要。費用不要。すべてローカルで実行されます。

bash

# Ollama のインストール
curl -fsSL https://ollama.com/install.sh | sh     # Linux
# brew install ollama                              # macOS

# モデルのダウンロード
ollama pull qwen3:8b

# サーバーの起動（このターミナルは開いたままにしてください）
ollama serve

環境変数の設定（新しいターミナルを開いてください）：

bash

export ARI_BACKEND=ollama
export ARI_MODEL=qwen3:8b

モデルサイズの選び方
モデル必要メモリ品質
qwen3:8b 16 GB 良い — 入門に最適
qwen3:14b 32 GB より良い
qwen3:32b 64 GB 最良

モデル	必要メモリ	品質
`qwen3:8b`	16 GB	良い — 入門に最適
`qwen3:14b`	32 GB	より良い
`qwen3:32b`	64 GB	最良

オプション B: OpenAI API（クラウド、有料）

bash

export ARI_BACKEND=openai
export ARI_MODEL=openai/gpt-4o
export OPENAI_API_KEY=sk-...     # https://platform.openai.com/api-keys から取得

オプション C: Anthropic API（クラウド、有料）

bash

export ARI_BACKEND=claude
export ARI_MODEL=anthropic/claude-sonnet-4-5
export ANTHROPIC_API_KEY=sk-ant-...  # https://console.anthropic.com/ から取得

ヒント: export 行を ~/.bashrc や ~/.zshrc に追加すると、設定が永続化されます。

ステップ 3: ダッシュボードの起動

リポジトリ直下の一括ランチャで、長時間稼働する 3 サービス（Letta メモリバックエンド・ari-registry・Viz GUI）をまとめて起動します：

bash

./start.sh

毎回呼ぶたびに 3 つすべてが clean restart されます（PID は ~/.ari/ 配下）。便利なサブコマンド: ./start.sh gui（GUI だけ）、./start.sh status（ヘルス確認）、./start.sh stop または ./shutdown.sh（全停止 — shutdown.sh は apptainer の孤児となった postgres/redis も回収）。

ブラウザを開いて以下にアクセスしてください: http://localhost:8765

ARI のホーム画面が表示されます：

ARI ホーム

左側のサイドバーからすべてのダッシュボードページにアクセスできます：

ページ	説明
Home	クイックアクションと最近の実験の概要
Experiments	過去のすべての実験一覧
Monitor	D3 ツリー可視化によるリアルタイムのパイプライン進捗
Tree	BFTS 実験ツリーの全体表示 — ノードをクリックして詳細を確認
Results	Overleaf 風 LaTeX エディタ、論文 PDF ビューア、レビューレポート、EAR ブラウザ
New Experiment	新しい実験を作成・起動するウィザード
Ideas	VirSci が生成した研究仮説
Workflow	BFTS 後のパイプライン用 React Flow ビジュアル DAG エディタ
Settings	LLM、API キー、SLURM、コンテナ、VLM、検索バックエンドの設定
Sub-Experiments	再帰的なサブ実験ツリー（orchestrator スキル経由）

ステップ 4: 最初の実験を作成する（ウィザード）

サイドバーの 「New Experiment」 をクリックしてください（またはホームページの青い 「New Experiment」 ボタン）。

実験ウィザード

ウィザードは 4 つのステップで進みます：

ステップ 1/4 — モードの選択

モード	用途
Chat	初心者向け。自然言語でやりたいことを記述すると、AI が質問しながら適切な実験に仕上げてくれます。
Write MD	実験の説明を Markdown で直接記述またはペーストします。
Upload	既存の `experiment.md` ファイルをアップロードします。

初心者には Chat モードがおすすめです。 最適化したい内容や調査したい内容を入力するだけです。例えば：

「ノートパソコンで実験のスコアを最大化する方法を見つけたい」

AI が確認の質問をして、実験ファイルを自動生成します。

ステップ 2/4 — スコープ

実験の規模を設定します：

設定	制御対象	初回実行の推奨値
Max Depth	探索ツリーの深さ	3
Max Nodes	実行する実験の総数	5〜10
Max ReAct Steps	実験ごとの推論ステップ数	80（デフォルト）
Timeout	実験ごとのタイムアウト（秒）	7200（デフォルト）
Parallel Workers	同時実行する実験数	2〜4

ヒント: 最初は小さく（ノード 5〜10、深さ 3）始めましょう。後からいつでも増やせます。

ステップ 3/4 — リソース

LLM プロバイダーとモデルを選択します：

OpenAI / Anthropic / Ollama / Custom — ドロップダウンから選択
Ollama の場合は任意のモデル名を入力できます（例: qwen3:8b）
クラスターで実行する場合は SLURM/HPC の設定を行います

Paper Review (v0.6.0+) — 生成された論文の査読方法を選択します:

Rubric — 同梱の 16 種類から選択 (neurips 既定 / v2 互換、iclr、icml、cvpr、acl、sc、osdi、usenix_security、stoc、siggraph、chi、icra、nature、journal_generic、workshop、generic_conference)。ari-core/config/reviewer_rubrics/ に独自 YAML を追加すれば任意の venue に対応できます。
Few-shot mode — static (同梱例使用) / dynamic (Phase 2 OpenReview 取得; 査読クローズドの venue では static にフォールバック)。
Reviewer ensemble (N) — 独立査読者数。N>1 の場合は Area Chair メタ査読も自動で走ります。
Reflection rounds — 査読者ごとの self-reflection 回数 (Nature Ablation 既定 5)。
Few-shot examples — manifest からの自動同期、独自 JSON+PDF サンプルのアップロード、不要な例の削除をウィザードから直接行えます。

ステップ 4/4 — 起動

設定を確認して Launch をクリックします。ARI は以下を実行します：

関連する学術論文を検索
研究仮説を生成（VirSci マルチエージェント議論）
Best-First Tree Search で実験を実行
LLM ピアレビューで結果を評価
図表と引用を含む LaTeX 論文を執筆
再現性を独立して検証

ステップ 5: 実験のモニタリング

実験を起動すると、Monitor ページにリアルタイムの進捗が表示されます：

Monitor ページ

パイプラインステージ が上部に表示されます（Idea → BFTS → Paper → Review）
ノードツリー で実験の進捗が色分けされたステータスで表示されます
ログがリアルタイムでストリーミングされます

実験ツリー

サイドバーの Tree をクリックすると、完全なインタラクティブ実験ツリーが表示されます：

ツリービュー

緑のノード = 成功
赤のノード = 失敗
青のノード = 実行中
灰色のノード = 待機中

ノードをクリックすると詳細が表示されます：

タブ	表示内容
Overview	ステータス、メトリクス、実行時間、評価の概要
Trace	AI エージェントが行ったすべてのツール呼び出し（ステップごと）
Code	この実験で生成されたソースコード
Output	ジョブの標準出力、ベンチマーク結果

ステップ 6: 結果の確認

実験が完了したら、Results ページに移動します：

Results ページ

ここでは以下のことができます：

論文の編集 — 内蔵の Overleaf 風 LaTeX エディタで .tex / .bib を編集、コンパイル、PDF をインラインでプレビュー
自動ピアレビューのスコアとフィードバックの確認
Experiment Artifact Repository (EAR) ブラウザ（コード、データ、再現性メタデータ）
再現性検証レポートの確認
すべての成果物のダウンロード

出力ファイルは ./checkpoints/<run_id>/ に保存されます：

ファイル	説明
`full_paper.tex / .pdf`	生成された完全な論文
`review_report.json`	ピアレビューのスコアとフィードバック（N>1 のときアンサンブル査読とメタ査読を同梱）
`reproducibility_report.json`	独立した再現性検証
`tree.json`	すべてのメトリクスを含む完全な実験ツリー
`science_data.json`	クリーンなデータ（内部用語なし）
`figures_manifest.json`	生成された図表
`ear/`	Experiment Artifact Repository（コード、データ、ログ、再現性メタデータ）
`experiments/`	ノードごとのソースコードと出力

ステップ 7: 設定のカスタマイズ

Settings ページを開いて ARI をカスタマイズします：

Settings ページ

ダッシュボード言語

上部の言語ドロップダウンからダッシュボードの言語（英語、日本語、中国語）を変更できます。

LLM バックエンド

プロバイダーの選択（OpenAI、Anthropic、Ollama、Custom）
デフォルトのモデルとテンパレチャーの設定
API キーの入力（ローカルに保存、UI 上ではマスク表示）

論文検索

より高いレート制限のため、必要に応じて Semantic Scholar API キーを設定

SLURM / HPC

クラスタージョブのデフォルトのパーティション、CPU 数、メモリを設定
Detect をクリックすると、クラスターで利用可能なパーティションを自動検出

コンテナランタイム

コンテナモードを選択：auto、Docker、Singularity、Apptainer、none
コンテナイメージとプルポリシー（always / on_start / never）を設定
Detect Runtime で利用可能なコンテナランタイムを自動検出

VLM 図レビュー

図品質レビュー用の VLM モデル（デフォルト: openai/gpt-4o）を設定
レビューしきい値と最大反復回数を設定

検索バックエンド

論文検索バックエンドを選択：Semantic Scholar（デフォルト）、AlphaXiv、または both（並列）

フェーズごとのモデルオーバーライド

パイプラインのフェーズごとに異なるモデルを使用できます（例: アイデア生成にはより安価なモデル、論文執筆にはより高性能なモデル）。

その他のダッシュボードページ

Ideas ページ

VirSci が生成した研究仮説を、新規性と実現可能性のスコアとともに確認できます。実験設定、研究目標、BFTS ノードの評価も表示されます。

Workflow エディター

Workflow ページ

BFTS 後のパイプライン用 React Flow ビジュアル DAG エディタ。ノードのドラッグ、エッジの描画、ステージの有効/無効化、スキル割当が可能です。スイムレーンレイアウトで BFTS と Paper のフェーズを分離。変更は workflow.yaml として保存されます。

ダッシュボードのアーキテクチャと API

ダッシュボードは Python asyncio HTTP サーバーによって配信される React/TypeScript SPA（Vite でビルド）です。以下の 2 つのコンポーネントで構成されています：

HTTP サーバー (ari/viz/server.py): REST API + SSE ログストリーミング（メインポート上）
WebSocket サーバー: リアルタイムのツリー更新（ポート+1、例: ダッシュボードが 8765 の場合は 8766）

API エンドポイント

すべてのエンドポイントは http://localhost:<port>/ でアクセスできます。

State & Monitoring

エンドポイント	メソッド	説明
`/state`	GET	アプリケーションの完全な状態: 現在のフェーズ（idle/idea/bfts/paper/review）、ノード数、実験設定、コストデータ、LLM モデル情報
`/api/logs`	GET (SSE)	`ari.log` と `cost_trace.jsonl` からのリアルタイムログの Server-Sent Events ストリーム
`/memory/<node_id>`	GET	ノードのメモリストアエントリ（ツール呼び出しトレース、メトリクス、親チェーン）
`/codefile?path=<path>`	GET	チェックポイントディレクトリ内のファイルを読み取り（チェックポイント範囲内に制限、最大 2MB）

Experiment Management

エンドポイント	メソッド	説明
`/api/launch`	POST	新しい実験を起動。ボディ: `{experiment_md, profile, model, provider, max_nodes, max_depth, max_react, timeout_min, workers, partition, ...}`。レスポンス: `{ok, pid, checkpoint_path}`
`/api/run-stage`	POST	特定のステージを実行: `{stage: "resume"/"paper"/"review"}`
`/api/stop`	POST	実行中の実験をグレースフルに停止（SIGTERM → SIGKILL フォールバック）
`/api/checkpoints`	GET	すべてのチェックポイントディレクトリをステータス、ノード数、レビュースコアとともに一覧表示
`/api/checkpoint/<id>/summary`	GET	詳細なサマリー: ツリーデータ、レビュー、サイエンスデータ、論文テキスト
`/api/checkpoint/<id>/paper.pdf`	GET	生成された PDF をダウンロード
`/api/checkpoint/<id>/paper.tex`	GET	生成された LaTeX をダウンロード
`/api/active-checkpoint`	GET	現在のアクティブなチェックポイントパス
`/api/switch-checkpoint`	POST	アクティブなチェックポイントを切り替え: `{path}`
`/api/delete-checkpoint`	POST	チェックポイントと関連ログを削除: `{path}`
`/api/upload`	POST	アクティブなチェックポイントにファイルをアップロード（バイナリボディ、`X-Filename` ヘッダー）

Configuration

エンドポイント	メソッド	説明
`/api/settings`	GET	現在の設定: LLM プロバイダー/モデル、Ollama ホスト、SLURM 設定、MCP スキル
`/api/settings`	POST	設定を `{checkpoint}/settings.json` と `.env` に保存（アクティブなプロジェクトが必要）。ボディ: `{llm_model, llm_provider, ollama_host, slurm_partition, ...}`
`/api/env-keys`	GET	`.env` ファイルからのすべての API キーとソース情報
`/api/env-keys`	POST	単一の API キーを保存: `{key, value}`
`/api/profiles`	GET	利用可能な環境プロファイル（laptop, hpc, cloud）
`/api/models`	GET	利用可能な LLM プロバイダーとモデル
`/api/workflow`	GET	パイプラインステージとスキルメタデータを含む完全な workflow.yaml
`/api/workflow`	POST	変更された workflow.yaml を保存: `{path, pipeline}`
`/api/skills`	GET	利用可能な MCP スキルを説明付きで一覧表示
`/api/skill/<name>`	GET	スキルの詳細: README、SKILL.md、server.py ソース

Wizard & Tools

エンドポイント	メソッド	説明
`/api/chat-goal`	POST	実験目標の精緻化のためのマルチターン LLM チャット: `{messages, context_md}`
`/api/config/generate`	POST	自然言語の目標から experiment.md を生成: `{goal}`
`/api/ssh/test`	POST	SSH 接続テスト: `{ssh_host, ssh_port, ssh_user, ssh_key, ssh_path}`
`/api/scheduler/detect`	GET	コンピューティング環境を自動検出（SLURM, PBS, LSF, Kubernetes）
`/api/slurm/partitions`	GET	利用可能な SLURM パーティション
`/api/ollama-resources`	GET	GPU 情報（nvidia-smi）、利用可能な Ollama モデル
`/api/gpu-monitor`	GET/POST	GPU モニターデーモンの開始/停止

WebSocket

エンドポイント	説明
`ws://localhost:<port+1>/ws`	リアルタイムのツリー更新をサブスクライブ。メッセージ: `{type: "update", data: tree.json, timestamp}`

セキュリティ

API キーは .env ファイルにのみ保存され、settings.json には保存されません
ファイルアクセス（/codefile）はチェックポイントディレクトリに制限されています
各実験は分離のために独自のプロセスグループで実行されます

CLI による代替操作

ダッシュボードのすべての操作はコマンドラインからも実行できます：

実験の実行

bash

# 基本的な実行（設定を自動検出）
ari run experiment.md

# 環境プロファイルを指定
ari run experiment.md --profile hpc

# カスタム設定を指定
ari run experiment.md --config ari-core/config/workflow.yaml

# 中断された実行を再開
ari resume ./checkpoints/20260328_matrix_opt/

# 論文パイプラインのみ実行（実験は完了済み）
ari paper ./checkpoints/20260328_matrix_opt/

モニタリングと結果

bash

# ノードツリーとステータスを表示
ari status ./checkpoints/20260328_matrix_opt/

# すべてのプロジェクトを一覧表示
ari projects

# 詳細な結果を表示（ツリー + レビュー）
ari show 20260328_matrix_opt

# 利用可能なツールを一覧表示
ari skills-list

設定

bash

# 現在の設定を表示
ari settings

# モデルを変更
ari settings --model openai/gpt-4o

# SLURM オプションを設定
ari settings --partition gpu --cpus 64 --mem 128

環境変数

変数	説明	デフォルト
`ARI_BACKEND`	LLM バックエンド: `ollama` / `openai` / `anthropic`	`ollama`
`ARI_MODEL`	モデル名（例: `qwen3:8b`, `openai/gpt-4o`）	`qwen3:8b`
`OPENAI_API_KEY`	OpenAI API キー	--
`ANTHROPIC_API_KEY`	Anthropic API キー	--
`OLLAMA_HOST`	Ollama サーバーの URL	`http://localhost:11434`
`ARI_MAX_NODES`	実験の最大総数	`50`
`ARI_PARALLEL`	同時実行の実験数	`4`
`ARI_MAX_REACT`	ノードごとの最大 ReAct ステップ数	`80`
`ARI_TIMEOUT_NODE`	ノードごとのタイムアウト（秒）	`7200`

トラブルシューティング

インストール

問題	解決策
`ari: command not found`	`~/.local/bin` を PATH に追加: `export PATH="$HOME/.local/bin:$PATH"`
セットアップスクリプトが失敗する	Python のバージョンを確認: `python3 --version`（3.10 以上が必要）
権限エラー	`sudo` を使わないでください。通常のユーザーで実行してください。

AI モデル

問題	解決策
Ollama 接続が拒否される	別のターミナルで `ollama serve` が実行中か確認してください
`LLM Provider NOT provided`	プロバイダー接頭辞を使用: `gpt-4o` ではなく `openai/gpt-4o`
遅い、またはタイムアウト	より小さいモデル（`qwen3:8b`）を使用するか、Settings でタイムアウトを延長

実験

問題	解決策
すべてのノードが失敗した	Tree ビューを開き、失敗したノードをクリックして Trace タブを確認
結果が表示されない	Monitor ページを確認 — 実験がまだ実行中の可能性があります
実行が中断された	Experiments ページで該当の実行を見つけ、Resume をクリック

論文生成

問題	解決策
PDF が生成されない	LaTeX をインストール: `conda install -c conda-forge texlive-core`
`No paper text available`	インストール: `pip install pymupdf pdfminer.six`

クイックスタートレシピ

bash

# 1. インストール
git clone https://github.com/kotama7/ARI.git && cd ARI && bash setup.sh

# 2. AI のセットアップ（無料、ローカル）
ollama pull qwen3:8b && ollama serve &
export ARI_BACKEND=ollama ARI_MODEL=qwen3:8b

# 3. すべてのサービスを起動（Letta + registry + GUI を :8765 で）
./start.sh
# http://localhost:8765 を開いて、ウィザードで実験を作成しましょう！
# 停止: ./shutdown.sh

次のステップ

今起きたことを理解する: はじめての実験を最後までは、ゴール → 探索 → 論文 → 再現のパイプライン全体を辿り、各ステージが存在する理由を説明します。
つまずいたら: FAQ が初回実行でよくある質問を、用語集が頻出用語を解説します。
CLI の使い方: コマンドライン操作については CLI リファレンスを参照
実験ファイル: 高度な記法については実験ファイルの書き方を参照
HPC クラスター: SLURM の設定については HPC セットアップガイドを参照
ARI の拡張: 新しいスキルの追加については拡張ガイドを参照

ARI クイックスタートガイド ​

必要なもの ​

ステップ 1: ARI のインストール ​

ステップ 2: AI モデルの選択 ​

オプション A: Ollama — 無料、ローカル実行（推奨） ​

オプション B: OpenAI API（クラウド、有料） ​

オプション C: Anthropic API（クラウド、有料） ​

ステップ 3: ダッシュボードの起動 ​

ステップ 4: 最初の実験を作成する（ウィザード） ​

ステップ 1/4 — モードの選択 ​

ステップ 2/4 — スコープ ​

ステップ 3/4 — リソース ​

ステップ 4/4 — 起動 ​

ステップ 5: 実験のモニタリング ​

実験ツリー ​

ステップ 6: 結果の確認 ​

ステップ 7: 設定のカスタマイズ ​

ダッシュボード言語 ​

LLM バックエンド ​

論文検索 ​

SLURM / HPC ​

コンテナランタイム ​

VLM 図レビュー ​

検索バックエンド ​

フェーズごとのモデルオーバーライド ​

その他のダッシュボードページ ​

Ideas ページ ​

Workflow エディター ​

ダッシュボードのアーキテクチャと API ​

API エンドポイント ​

State & Monitoring ​

Experiment Management ​

Configuration ​

Wizard & Tools ​

WebSocket ​

セキュリティ ​

CLI による代替操作 ​

実験の実行 ​

モニタリングと結果 ​

設定 ​

環境変数 ​

トラブルシューティング ​

インストール ​

AI モデル ​

実験 ​

論文生成 ​

クイックスタートレシピ ​

次のステップ ​

ARI クイックスタートガイド

必要なもの

ステップ 1: ARI のインストール

ステップ 2: AI モデルの選択

オプション A: Ollama — 無料、ローカル実行（推奨）

オプション B: OpenAI API（クラウド、有料）

オプション C: Anthropic API（クラウド、有料）

ステップ 3: ダッシュボードの起動

ステップ 4: 最初の実験を作成する（ウィザード）

ステップ 1/4 — モードの選択

ステップ 2/4 — スコープ

ステップ 3/4 — リソース

ステップ 4/4 — 起動

ステップ 5: 実験のモニタリング

実験ツリー

ステップ 6: 結果の確認

ステップ 7: 設定のカスタマイズ

ダッシュボード言語

LLM バックエンド

論文検索

SLURM / HPC

コンテナランタイム

VLM 図レビュー

検索バックエンド

フェーズごとのモデルオーバーライド

その他のダッシュボードページ

Ideas ページ

Workflow エディター

ダッシュボードのアーキテクチャと API

API エンドポイント

State & Monitoring

Experiment Management

Configuration

Wizard & Tools

WebSocket

セキュリティ

CLI による代替操作

実験の実行

モニタリングと結果

設定

環境変数

トラブルシューティング

インストール

AI モデル

実験

論文生成

クイックスタートレシピ

次のステップ