HPC セットアップガイド
このガイドは ARI を SLURM クラスタで動かす方法、Apptainer / Singularity / Docker 内へのデプロイ、共有 Letta サービスへのメモリ バックエンド接続を扱います。クラスタ固有の名前（パーティション、 ログインノード、パス）は実環境のものに置き換えてください。
1. 環境
ARI は通常の Python アプリです — setup.sh で 1 度インストールし、 ログインノードまたは sbatch ラッパから駆動します。任意のクラスタで 必須の env var:
| 変数 | 用途 |
|---|---|
ARI_CHECKPOINT_DIR | アクティブチェックポイントルート（全入出力をスコープ） |
ARI_LLM_MODEL | LiteLLM モデル ID（例 ollama/qwen3:32b、openai/gpt-4o） |
ARI_LLM_API_BASE | 任意 — LLM エンドポイントを LiteLLM デフォルトから変える場合 |
OLLAMA_HOST / OLLAMA_MODELS | LLM がローカル Ollama の場合は必須 |
v0.5.0 でグローバル
$HOME/.ari/ディレクトリは廃止されました。 全ステートファイルはARI_CHECKPOINT_DIR配下、または明示的な env var に格納されます。env var はシェル rc ではなく sbatch ラッパ 内 で設定してください（サブ実験で上書き可能にするため）。
2. 利用可能なパーティション（テンプレート）
| パーティション | ハードウェア | 用途 |
|---|---|---|
your_cpu_partition | CPU ノード | BFTS 探索、ベースラインベンチ |
your-gpu-partition | NVIDIA L40S | エージェントループ用 LLM 推論 |
your-h200-partition | NVIDIA H200 | 大規模モデル推論、論文レビュー |
your_gpu_partition | GPU ノード | GPU バウンドな実験 |
sbatch の --partition= で選択。ARI のサブジョブは SLURM_DEFAULT_PARTITION を尊重します。
3. クラスタでの ARI 実行
BFTS 実行を投入
sbatch ~/ARI/scripts/run_ari.shモニタリング
squeue -u $USER
tail -f $ARI_CHECKPOINT_DIR/ari.log結果の確認
# 完了した実行の最良メトリクス
python - <<'PY'
import json, os
r = json.load(open(f"{os.environ['ARI_CHECKPOINT_DIR']}/results.json"))
for nid, n in r["nodes"].items():
if n.get("has_real_data"):
print(nid[:12], n["metrics"])
PY4. SLURM スクリプトテンプレート
#!/bin/bash
#SBATCH --job-name=ari-experiment
#SBATCH --partition=your_partition
#SBATCH --nodes=1
#SBATCH --cpus-per-task=64
#SBATCH --time=04:00:00
#SBATCH --output=/abs/path/logs/ari_%j.out
#SBATCH --error=/abs/path/logs/ari_%j.err
# チェックポイントスコープ — 全ステートファイルがここに行く
export ARI_CHECKPOINT_DIR=/abs/path/checkpoints/$(date +%Y%m%d_%H%M%S)
# ローカル LLM (GPU ノードで Ollama) — リモート LLM の場合は本ブロックを省略
export OLLAMA_HOST=127.0.0.1:11434
export OLLAMA_MODELS=/home/youruser/.ollama/models
export OLLAMA_CONTEXT_LENGTH=8192
export OLLAMA_NUM_PARALLEL=2
/home/youruser/local/ollama/bin/ollama serve &
OLLAMA_PID=$!
for i in $(seq 1 30); do
curl -sf http://127.0.0.1:11434/api/tags > /dev/null 2>&1 && break
sleep 2
done
# ARI が hpc skill 経由で投入するサブジョブが継承するデフォルト
export SLURM_DEFAULT_PARTITION=your_partition
export SLURM_DEFAULT_WORK_DIR=/path/to/ari/
# 任意: 特定のレビュアールブリックを選択
export ARI_RUBRIC=neurips2025
cd /path/to/ari/ari-core
/home/youruser/miniconda3/bin/ari run /abs/path/to/experiment.md
kill $OLLAMA_PID 2>/dev/null || true5. コンテナデプロイ（v0.7+）
ログインノード上で直接ツールを動かせない環境向けに 3 つのレシピを 同梱。どれも等価なので、サイトがサポートするものを選択してください。
Apptainer / Singularity
scripts/registry/start_singularity.sh がレファレンスランチャ。 エージェントループにも同レシピが使えます:
apptainer build ari.sif containers/ari.def
apptainer exec --bind /scratch:/scratch ari.sif \
ari run /abs/path/to/experiment.mdari-skill-coding と ari-skill-hpc は ARI_CONTAINER_IMAGE=/path/to/ari.sif と ARI_CONTAINER_MODE=singularity を尊重し、ユーザコード自体を SIF でラップします — 再現可能ベンチに有用です。
docker-compose（単一ホスト）
scripts/registry/docker-compose.yml が registry の本番レシピ。 フルスタックの類似物も存在します:
docker compose -f containers/ari/docker-compose.yml up -dPip（開発用、コンテナなし）
./setup.sh # virtualenv 作成 + ari-core インストール
ari run experiment.md # ホスト python を直接使用6. Letta メモリバックエンドのデプロイ
ari-skill-memory は v0.6+ から Letta バックエンドがデフォルト。 スキルは LETTA_HOST / LETTA_PORT（既定 127.0.0.1:8283）経由で Letta サービスと通信します。3 つのデプロイパス:
| パス | 選択基準 |
|---|---|
Apptainer SIF（containers/letta.sif） | Docker が使えない HPC |
docker-compose（containers/letta/docker-compose.yml） | 開発機・単一ノード本番 |
Pip（pip install letta && letta server） | スモークテスト。共有クラスタ非推奨 |
デプロイ手段に関わらず必要な env var:
| 変数 | 用途 |
|---|---|
LETTA_HOST / LETTA_PORT | Letta API のリッスン先 |
LETTA_EMBEDDING_CONFIG | 埋め込み設定 JSON のパス（必須） |
OPENAI_API_KEY 等 | 埋め込みモデルが要するもの |
各 ARI チェックポイントは独自の Letta エージェントを所有 （コレクション ari_node_<ckpt_hash> + ari_react_<ckpt_hash>）。 ari ckpt delete でチェックポイントを削除すると Letta エージェント も同時に削除されます — 削除パスは ari-skill-memory/README.md を参照。
7. SLURM 重要制約
| ルール | 詳細 |
|---|---|
| コンパイラ | gcc のみ使用。mpicc / icc / aocc は多くのクラスタで exit_code=127 |
| CPU 制限 | --cpus-per-task はパーティションのノードあたり CPU 数を尊重 |
| パス展開 | #SBATCH 行で ~ を使わない — 常に絶対パス |
| stdout リダイレクト | ジョブスクリプト内で stdout をリダイレクトしない — SLURM が --output で取得 |
| アカウントヘッダー | 多くの環境で --account / -A は拒否 — サイトが要求する場合のみ追加 |
| 出力ファイル名 | スキルが期待するパターンに合わせる（例 slurm_job_{JOBID}.out） |
8. Ollama モデル推奨
| モデル | 最適な用途 |
|---|---|
qwen3:32b | デフォルト — ローカルハードウェアで最高のツール呼び出し品質 |
qwen3:8b | 高速、低品質、スモークテスト向け |
deepseek-r1:32b | 推論重視タスク（lineage 決定、論文レビュー） |
gpt-oss:20b / gpt-oss:120b | OpenAI 互換代替 |
qwen2.5vl:32b | 視覚タスク（ari-skill-vlm の図表レビュー） |
関連
docs/reference/configuration.md— ARI が尊重する全 env vardocs/concepts/architecture.md— ランタイム・メモリ・レイヤ構造ari-skill-hpc/README.md— SLURM ツールリファレンス（local + SSH）ari-skill-memory/README.md— バックエンド選択 + Letta デプロイレシピ