設定リファレンス

workflow.yaml（正規の開発者設定）

workflow.yaml は ARI パイプライン全体の唯一の信頼できる情報源です。 ari-core/config/workflow.yaml に配置してください。

skill パスには {{ari_root}} を使用してください — これは $ARI_ROOT 環境変数またはプロジェクトルートに解決されます。

yaml

llm:
  backend: openai          # ollama | openai | anthropic
  model: gpt-5.2           # モデル識別子
  base_url: ""             # OpenAI の場合は空、Ollama/vLLM の場合は設定

author_name: "Autonomous Research Infrastructure"

resources:
  cpus: 48                 # 再現性実験のデフォルト CPU 数
  timeout_minutes: 60      # デフォルトのジョブタイムアウト
  executor: slurm          # ジョブエグゼキュータ: slurm / local / pbs / lsf

# BFTS フェーズステージ（ツリー探索中に順次実行）
bfts_pipeline:
  - stage: generate_idea
    skill: idea-skill
    tool: generate_ideas
    phase: bfts
  - stage: select_and_run
    skill: hpc-skill
    phase: bfts
  - stage: evaluate
    skill: evaluator-skill
    tool: evaluate_node
    phase: bfts
  - stage: frontier_expand
    skill: idea-skill
    tool: generate_ideas
    phase: bfts
    loop_back_to: select_and_run

# Post-BFTS パイプラインステージ
pipeline:
  - stage: search_related_work
    skill: web-skill
    tool: collect_references_iterative
    skip_if_exists: '{{ckpt}}/related_refs.json'
    # ...
  - stage: transform_data
    skill: transform-skill
    tool: nodes_to_science_data
    inputs:
      nodes_json_path: '{{ckpt}}/nodes_tree.json'
      llm_model: '{{llm.model}}'
      llm_base_url: '{{llm.base_url}}'
    outputs:
      file: '{{ckpt}}/science_data.json'
    skip_if_exists: '{{ckpt}}/science_data.json'
  - stage: generate_figures
    skill: plot-skill
    tool: generate_figures_llm
    depends_on: [transform_data]
    # ...
  - stage: write_paper
    skill: paper-skill
    tool: write_paper_iterative
    depends_on: [search_related_work, generate_figures]
    # ...
  - stage: review_paper
    skill: paper-skill
    tool: review_compiled_paper
    depends_on: [write_paper]
    # ...
  # ─── EAR キュレーション/公開/最終化 (v0.7.0) ───
  - stage: ear_curate
    skill: transform-skill
    tool: curate_ear
    depends_on: [generate_ear]
    inputs:
      checkpoint_dir: '{{checkpoint_dir}}'
    outputs:
      file: '{{checkpoint_dir}}/ear_curate.status.json'
  - stage: finalize_paper
    skill: paper-skill
    tool: inject_code_availability
    depends_on: [write_paper, ear_curate]
    # ear_published/manifest.lock と publish_record.json から ref/sha/doi
    # を自動ロードし、\codeavailability/\codedigest/\coderef マクロを
    # full_paper.tex に注入。バンドル無しなら静かにスキップ。
  - stage: ear_publish
    skill: transform-skill
    tool: publish_ear
    depends_on: [ear_curate]
    enabled: false           # opt-in。true にするか publish=true を渡す
    inputs:
      checkpoint_dir: '{{checkpoint_dir}}'
      backend: ari-registry
      visibility: staged
      dry_run: false
    outputs:
      file: '{{checkpoint_dir}}/publish_record.json'
  - stage: merge_reviews
    skill: paper-skill
    tool: merge_reviews
    depends_on: [review_paper, vlm_review_figures]
    # text + VLM 査読出力の構造合成 (LLM 不使用)。

  # ─── ORS オートルーブリック再現性 (PaperBench, v0.7.0) ───
  # 旧 `reproducibility_check` を置き換える。
  - stage: ors_generate_rubric
    skill: replicate-skill
    tool: generate_rubric
    depends_on: [write_paper]
    inputs:
      paper_path: '{{checkpoint_dir}}/full_paper.tex'
      output_path: '{{checkpoint_dir}}/ors_rubric.json'
      target_leaf_count: 0     # 0 = 論文長から自動算定
  - stage: ear_publish          # v0.7.0+: デフォルト有効、local-tarball
    skill: transform-skill
    tool: publish_ear
    depends_on: [ear_curate]
    enabled: true
    inputs:
      backend: local-tarball    # 依存ゼロ。チェックポイント横に bundle.tar.gz
      visibility: staged
  - stage: ors_seed_sandbox     # v0.7.0+: EAR バンドルから決定論的に種をまく
    skill: paper-re-skill
    tool: fetch_code_bundle
    depends_on: [ear_publish]
    inputs:
      checkpoint_dir: '{{checkpoint_dir}}'    # publish_record.json から ref 自動読込
      dest: '{{checkpoint_dir}}/repro_sandbox'
  - stage: ors_build_reproduce  # v0.7.0+: LLM フォールバック (上で seed 済なら skip)
    skill: paper-re-skill
    tool: build_reproduce_sh
    depends_on: [ors_generate_rubric, ors_seed_sandbox, finalize_paper]
    inputs:
      paper_path: '{{checkpoint_dir}}/full_paper.tex'
      rubric_path: '{{checkpoint_dir}}/ors_rubric.json'
      output_dir: '{{checkpoint_dir}}/repro_sandbox'
      overwrite: false
  - stage: ors_run_reproduce
    skill: paper-re-skill
    tool: run_reproduce        # Phase 1 (reproduce.sh をサンドボックス実行)
    depends_on: [ors_generate_rubric, ors_build_reproduce]
    inputs:
      rubric_path: '{{checkpoint_dir}}/ors_rubric.json'
      repo_dir: '{{checkpoint_dir}}/repro_sandbox'
      sandbox_kind: ''         # auto: slurm → docker → apptainer → singularity → local
      timeout_global_sec: 0    # 0 = rubric.reproduce_contract.max_runtime_sec
      partition: ''            # 空 → ARI_SLURM_PARTITION → launch_config.json
      cpus: 0                  # 空 → ARI_SLURM_CPUS (default 8)
      walltime: ''             # 空 → ARI_SLURM_WALLTIME → timeout から算出
  - stage: ors_grade
    skill: paper-re-skill
    tool: grade_with_simplejudge   # Phase 2 (PaperBench SimpleJudge via LiteLLM)
    depends_on: [ors_run_reproduce]
    inputs:
      rubric_path: '{{checkpoint_dir}}/ors_rubric.json'
      repo_dir: '{{checkpoint_dir}}/repro_sandbox'
      paper_path: '{{checkpoint_dir}}/full_paper.tex'
      n_runs: 3
      judge_model: gpt-5-mini  # LiteLLM 認識可能な任意のモデル ID

retrieval:
  backend: semantic_scholar    # semantic_scholar | alphaxiv | both
  alphaxiv_endpoint: https://api.alphaxiv.org/mcp/v1

# ── 論文査読 (ルーブリック駆動、AI Scientist v1/v2 互換) ─────────────
# CLI フラグ (--rubric、--fewshot-mode、--num-reviews-ensemble、
# --num-reflections) または環境変数 (ARI_RUBRIC、ARI_FEWSHOT_MODE、
# ARI_NUM_REVIEWS_ENSEMBLE、ARI_NUM_REFLECTIONS) で上書き可能。
# ari-core/config/reviewer_rubrics/ に同梱されている 16 種のルーブリック:
#   neurips (既定、v2 互換) | iclr | icml | cvpr | acl | sc | osdi
#   | usenix_security | stoc | siggraph | chi | icra | nature
#   | journal_generic | workshop | generic_conference
# 加えて内蔵の `legacy` フォールバック (v0.5 スキーマ)。新しい venue は
# <id>.yaml を reviewer_rubrics/ に追加するだけで対応 (コード変更不要)。
#
# Few-shot コーパス管理
# --------------------
# reviewer_rubrics/fewshot_examples/<rubric>/ 配下のファイルは GUI
# (New Experiment Wizard → Paper Review → Few-shot サンプル) または
# scripts/fewshot/sync.py から管理できます。viz サーバが公開する REST:
#   GET  /api/rubrics                           rubric 一覧 (Wizard 用)
#   GET  /api/fewshot/<rubric>                  fewshot 例の一覧
#   POST /api/fewshot/<rubric>/sync             manifest.yaml から取得
#   POST /api/fewshot/<rubric>/upload           1 件アップロード
#   POST /api/fewshot/<rubric>/<example>/delete 1 件削除

memory:
  # v0.6.0: Letta が唯一の本番バックエンドです。ここでの値はスキル
  # 子プロセスの環境変数として読み込み時に注入されます。エージェント
  # 用チャット LLM は `letta/letta-free` に固定されています
  # (ari-skill-memory は archival_insert / archival_search だけを
  # 呼び、チャットメッセージは送らないためピッカーは無効でした)。
  backend: letta
  letta:
    base_url: http://localhost:8283
    collection_prefix: ari_
    embedding_config: letta-default

container:
  mode: auto                   # auto | docker | singularity | apptainer | none
  image: ""                    # コンテナイメージ名（空 = コンテナ未使用）
  pull: on_start               # always | on_start | never

skills:
  # `phase` は ReAct エージェントがどの pipeline-phase でそのスキルの
  # MCP ツールを見られるかを制御します。単一文字列なら一つの phase
  # のみ、配列なら複数の phase にオプトインします。`reproduce` に
  # タグ付けされたスキルは再現性 ReAct (上の reproducibility_check
  # ステージ参照) に露出します。`memory-skill` / `transform-skill` /
  # `evaluator-skill` はエージェントが BFTS フェーズの成果物に
  # 到達できないよう、意図的に reproduce から除外しています。
  - name: web-skill
    path: "{{ari_root}}/ari-skill-web"
    phase: [paper, reproduce]
  - name: plot-skill
    path: "{{ari_root}}/ari-skill-plot"
    phase: paper
  - name: paper-skill
    path: "{{ari_root}}/ari-skill-paper"
    phase: paper
  - name: paper-re-skill
    path: "{{ari_root}}/ari-skill-paper-re"
    phase: paper
  - name: memory-skill
    path: "{{ari_root}}/ari-skill-memory"
    phase: bfts
  - name: evaluator-skill
    path: "{{ari_root}}/ari-skill-evaluator"
    phase: bfts
  - name: idea-skill
    path: "{{ari_root}}/ari-skill-idea"
    phase: none
  - name: hpc-skill
    path: "{{ari_root}}/ari-skill-hpc"
    phase: [bfts, reproduce]
  - name: coding-skill
    path: "{{ari_root}}/ari-skill-coding"
    phase: [bfts, reproduce]
  - name: transform-skill
    path: "{{ari_root}}/ari-skill-transform"
    phase: paper
  - name: benchmark-skill
    path: "{{ari_root}}/ari-skill-benchmark"
    phase: bfts
  - name: vlm-skill
    path: "{{ari_root}}/ari-skill-vlm"
    phase: [paper, reproduce]
  # v0.7.0: PaperBench 形式オートルーブリック生成器・監査器
  - name: replicate-skill
    path: "{{ari_root}}/ari-skill-replicate"
    phase: paper

環境変数

変数	説明	デフォルト
`ARI_MAX_NODES`	BFTS で探索するノードの最大数	`50`
`ARI_PARALLEL`	同時実行ノード数	`1`
`ARI_EXECUTOR`	実行バックエンド: `local`, `slurm`, `pbs`, `lsf`	`local`
`ARI_SLURM_PARTITION`	SLURM パーティション名	(なし)
`ARI_SLURM_CPUS`	SLURM ジョブの CPU 数オーバーライド	(自動検出)
`SLURM_LOG_DIR`	SLURM 出力ファイルの保存先	(なし)
`OLLAMA_HOST`	Ollama サーバーアドレス	`127.0.0.1:11434`
`OPENAI_API_KEY`	OpenAI API キー	(なし)
`ANTHROPIC_API_KEY`	Anthropic API キー	(なし)
`ARI_RETRIEVAL_BACKEND`	論文検索バックエンド: `semantic_scholar` / `alphaxiv` / `both`	`semantic_scholar`
`VLM_MODEL`	図レビュー用 VLM モデル	`openai/gpt-4o`
`ARI_ORCHESTRATOR_PORT`	orchestrator スキルの HTTP ポート	`9890`
`LETTA_BASE_URL`	Letta サーバエンドポイント	`http://localhost:8283`
`LETTA_API_KEY`	Letta Cloud で必須	(なし)
`LETTA_EMBEDDING_CONFIG`	アーカイバルメモリ用の埋め込みハンドル（エージェントのチャット LLM は ARI から呼び出さないため `letta/letta-free` に固定）	`letta-default`
`ARI_MEMORY_BOOTSTRAP_LOCAL_LETTA`	`auto` / `pip` / `docker` / `singularity` / `none`	`auto`
`ARI_MEMORY_LETTA_TIMEOUT_S`	呼び出しごとのタイムアウト	`10`
`ARI_MEMORY_LETTA_OVERFETCH`	祖先ポストフィルタ用のオーバーフェッチ K	`200`
`ARI_MEMORY_LETTA_DISABLE_SELF_EDIT`	Letta self-edit を無効化 (CoW セーフ)	`true`
`ARI_MEMORY_ACCESS_LOG`	`{checkpoint}/memory_access.jsonl` を有効化	`on`
`ARI_MEMORY_AUTO_RESTORE`	`ari resume` 時にバックアップを自動復元	`true`
`ARI_RUBRIC`	査読 rubric_id (例: `neurips`、`sc`、`nature`)	`neurips`
`ARI_FEWSHOT_MODE`	`static` / `dynamic`	`static`
`ARI_NUM_REVIEWS_ENSEMBLE`	独立査読者数	`1`
`ARI_NUM_REFLECTIONS`	self-reflection ループ回数	`5`
`ARI_MODEL_RUBRIC_GEN`	`replicate-skill.generate_rubric` の生成 LLM (v0.7.0)	`gemini/gemini-2.5-pro`
`ARI_MODEL_RUBRIC_AUDIT`	`audit_rubric` の監査 LLM (生成器とは独立)	`anthropic/claude-opus-4-7`
`ARI_RUBRIC_GEN_TARGET_LEAVES`	`generate_rubric` の目標葉数の上書き。`0` / 未設定で論文長から自動 (~1葉/75語、[50,400] にクランプ)。GUI Wizard の "Target leaves" 欄。	(未設定)
`ARI_RUBRIC_GEN_TEMPERATURE`	生成器 temperature の上書き。GUI Wizard の "Temperature" 欄。	(未設定)
`ARI_RUBRIC_GEN_TWO_STAGE`	二段階生成（スケルトン + 並列サブツリー）の強制 ON/OFF (`1`/`true`/`on` vs `0`/`false`/`off`)。単一コール比で葉数約 4 倍・深さ +1〜2 層、API トークン消費約 5 倍。未設定時は kwarg デフォルト（現状 ON）。GUI Wizard の "二段階生成" トグル。	(未設定、既定 ON)
`ARI_MODEL_REPLICATE`	`build_reproduce_sh` (論文 → reproduce.sh, v0.7.0) のリプリケータ LLM	`claude-opus-4-7`
`ARI_MODEL_JUDGE`	`grade_with_simplejudge` (PaperBench Phase 2, v0.7.0; LiteLLM 経由でプロバイダ自由) の判定 LLM	`gpt-5-mini`
`ARI_MODEL_LINEAGE`	`decide_lineage_action` の判定 LLM (lineage decision, v0.7.0)。未指定時は `ARI_MODEL_EVAL` → `ARI_MODEL` → `ARI_LLM_MODEL` → `gpt-4o-mini` の順にフォールバック	(auto)
`ARI_MODEL_ROOT_SELECT`	VirSci プールから `ideas[0]` を選び直す LLM (lineage decision, v0.7.0)。フォールバック順は `ARI_MODEL_LINEAGE` と同じ	(auto)
`ARI_PHASE1_SANDBOX`	Phase 1 サンドボックス: `auto` / `slurm` / `docker` / `apptainer` / `singularity` / `local`	`auto`
`ARI_SLURM_WALLTIME`	SLURM Phase 1 の `--time` HH:MM:SS (v0.7.0, 復元)。空ならルーブリックの `max_runtime_sec` から算出。	(auto)
`ARI_PHASE1_DOCKER_IMAGE`	docker サンドボックスのコンテナイメージ	`ubuntu:24.04`
`ARI_PHASE1_APPTAINER_IMAGE` / `ARI_PHASE1_SINGULARITY_IMAGE`	Apptainer/Singularity サンドボックスのイメージ	`docker://ubuntu:24.04`
`ARI_PUBLISH_DRYRUN`	`ari ear publish --dry-run` を強制 (CI 安全, v0.7.0)	(off)
`ARI_REGISTRY_DATA`	`ari registry serve` の sqlite + artifact 保管 root	(なし — 明示設定が必須。v0.5.0 以前の `$HOME/.ari/registry-data` フォールバックは DeprecationWarning を出し、v1.0 で削除)
`ARI_REGISTRY_TOKEN`	`ari clone ari://...` / `ari ear publish --backend ari-registry` 用 bearer token	(なし)
`ARI_REPRO_CLONE_POLICY`	再現性サンドボックス git shim ポリシー: `passthrough` / `deny` / `warn`	`passthrough`

メモリバックエンド (Letta)

v0.6.0 で決定論的 JSONL メモリストアを Letta へ置き換えました。Letta は次の 4 通りで動作します:

モード	要件	ストア	備考
Docker Compose	`docker` + `docker compose`	Postgres	ノートPC既定、pre-filter 対応
Singularity / Apptainer	`singularity` / `apptainer`	Postgres	HPC 既定、SLURM 認識のデータ DIR
pip (コンテナレス)	Python 3.10+	SQLite	ancestor スコープは over-fetch + post-filter にフォールバック
Letta Cloud	API キー	マネージド	`LETTA_BASE_URL=https://api.letta.com`

ari setup が最適なモードを自動検出します。ARI_MEMORY_BOOTSTRAP_LOCAL_LETTA で強制指定も可能。start/stop/health/backup/restore は ari memory サブコマンドが扱います — 詳細は docs/ja/reference/cli_reference.md を参照。

v0.5.x チェックポイントのワンショット移行:

bash

ari memory migrate --checkpoint /path/to/ckpt --react

LLM バックエンド

Ollama（ローカル、オフライン HPC に推奨）

yaml

llm:
  backend: ollama
  model: qwen3:32b
  base_url: http://127.0.0.1:11434

OpenAI

yaml

llm:
  backend: openai
  model: gpt-4o

Anthropic

yaml

llm:
  backend: anthropic
  model: claude-sonnet-4-5

任意の OpenAI 互換 API（vLLM、LM Studio など）

yaml

llm:
  backend: openai
  model: your-model-name
  base_url: http://your-server:8000/v1

workflow.yaml のテンプレート変数

inputs: 内の任意の値で {{variable}} 置換がサポートされています:

変数	値
`{{ckpt}}`	チェックポイントディレクトリのパス
`{{ari_root}}`	ARI プロジェクトルート（`$ARI_ROOT` または自動検出）
`{{llm.model}}`	`llm:` セクションの LLM モデル名
`{{llm.base_url}}`	`llm:` セクションの LLM ベース URL
`{{resources.cpus}}`	`resources:` セクションの CPU 数
`{{resources.timeout_minutes}}`	`resources:` セクションのタイムアウト
`{{stages.<name>.outputs.file}}`	完了したステージの出力ファイルパス
`{{author_name}}`	トップレベル設定の著者名
`{{vlm_feedback}}`	VLM レビューフィードバック（`vlm_review_figures` からのループバック時に注入）
`{{paper_context}}`	科学的に整形された実験サマリ
`{{keywords}}`	LLM 生成検索キーワード

skip_if_exists バリデーション

skip_if_exists が指定されたステージは、出力ファイルが以下の場合に再実行されます:

存在しない
空である
トップレベルに "error" キーを含む JSON ファイルである

これにより、壊れた出力が下流のステージを暗黙的にブロックすることを防止します。

Plan Promote (v0.7.0+)

plan_promote は VirSci の experiment plan を チェックポイント内の experiment.md にどう展開するかを制御します。CLI で渡したユーザのソース experiment.md は 改変されません — チェックポイント側のコピーにだけ HTML コメントマーカで囲んだ自動追記ブロックが付きます (再実行で重複しない idempotent)。

yaml

plan_promote: index_only          # full | index_only | off

Mode	追加内容	典型サイズ
`full`	選定 idea + plan §タグ本文 + Alternatives	~5 KB
`index_only` (default)	選定 idea + plan §タグタイトル + Alternatives	~1.5 KB
`off`	(追記なし)	0

Phase 3 の評価器と BFTS expand idea_ctx は idea.json の生 plan を読むので、 full か index_only かは主に 人間と paper-skill が experiment.md で何を読むか だけの違いです。

Lineage Decision (v0.7.0+)

BFTS が停滞したとき、LLM judge が「探索継続 / 代替案へ切替 / 並列展開 / 終了」のいずれかを判断します。LLM の出力は 4 アクションに制限され、代替案 pool 内の index でのみ有効、エラー時は無条件に continue に degrade するため BFTS ループはこの hook で詰まりません。

yaml

lineage_decision:
  mode: stagnation_rule           # off | stagnation_rule | every_node
  stagnation_window: 5            # composite score の window
  stagnation_threshold: 0.02      # max-min < threshold で停滞
  min_nodes_before_decision: 3    # 序盤での発火を抑制
  rate_limit_per_run: 5           # 1 run あたりの escalation 上限

Mode	トリガ	コスト
`off`	発火しない	0
`stagnation_rule` (default)	連続 `stagnation_window` ノードで composite が flat	0–`rate_limit_per_run` LLM call
`every_node`	各 BFTS step 後 (LLM が timing 自体も判断)	1 LLM call/node

発火した全 decision (continue 含む) は {checkpoint}/lineage_decisions.jsonl に追記され、後から「どこで停滞 / 切替 / 終了したか」が完全に再現できます。 root_idea_selection も同じファイルに別 trigger で記録されます。

Root Idea Selection (v0.7.0+)

VirSci が idea.json を書いた直後、LLM が venue rubric と ancestor research thread を見て「ideas[0] を据え置きにするか、ideas[N] に入れ替えるか」を判定します。Default は ideas[0] (= VirSci スコア順) 維持、LLM 出力が pool 範囲外なら同じく ideas[0] にフォールバック。起動時 1 LLM call、ノード単位の追加コストはなし。

yaml

root_idea_selection:
  enabled: true                   # v0.7.0+ default

決定は lineage_decisions.jsonl に {trigger: "root_idea_selection", action: "root_swap" | "root_keep"} で記録され、idea.json の _root_choice にも provenance として保存されます。子 (recursion) は _inherited_from または _root_choice を検出して再選択を skip します。

Claim Gate Policy (v0.7.0+)

claim_gate_policy は claim–evidence hard gate（Story2Proposal Phase B3）を制御するトップレベルブロックです。gate ステージは毎回の論文ビルドで実行され {{claim_gate_policy}} で配線されます。ブロックは ari-core/ari/pipeline/claim_gate/policy.py が読み込みます。

yaml

claim_gate_policy:
  mode: warn                  # off | warn | strict
  comparison_scope: any       # any | same_environment
  numeric_coverage:
    target_sections:
      strict: [abstract, results, conclusion]
      warn: [introduction, discussion, limitations]
      excluded: [related_work, references, appendix, equations]
  numeric_match:
    default_tolerance: {absolute: 0.0, relative: 0.02}
  blocking:
    block_on: [numeric_mismatch, operand_unresolved, missing_evidence]

mode がブロッキングを制御します（環境変数 ARI_CLAIM_GATE_MODE で上書き）:

Mode	動作
`off`	決してブロックしない。
`warn`（既定）	エラー/警告を報告するが `finalize_paper` をブロックしない。
`strict`	`block_on` エラーが存在すると最終 gate がブロックし（`finalize_paper` を skip）、strict セクション内の未カバーの結果数値もブロッキングになる。draft gate は決してブロックしない。

comparison_scope は注入される研究意図です（環境変数 ARI_COMPARISON_SCOPE で上書き）:

Scope	クロス環境比較
`any`（既定）	透明性のための警告。クロス環境比較自体が貢献となるクロスアーキテクチャ研究向け。
`same_environment`	ブロッキングエラー。単一アーキテクチャの最適化研究向け。

numeric_coverage.target_sections は、gate の重大度ごとに数値クレームを検査する論文セクション（strict/warn）と無視するセクション（excluded）を列挙します。numeric_match.default_tolerance は、クレームごとの tolerance が無い場合に適用される照合許容差です（absolute: 0.0、relative: 0.02＝2%）。blocking.block_on は strict で最終 gate をブロックする finding type のリストです: numeric_mismatch、operand_unresolved、missing_evidence。

別系統の客観的虚偽の finding type （invariant_violation、correctness_failed、correctness_uncovered、 placeholder_denominator、recompute_mismatch、claim_evidence_missing、 ceiling_unmeasured）は mode にかかわらず最終論文をブロックします。これらの既定値は policy.py の blocking.always_block_on にあり、 workflow.yaml には設定されていません。

BFTS チューニング

環境変数で BFTS の動作を制御します:

bash

export ARI_MAX_NODES=12      # 最大 12 ノードを探索（小規模実行）
export ARI_PARALLEL=4        # 4 ノードを同時実行
export ARI_EXECUTOR=slurm    # 各ノードを SLURM ジョブとして投入

または workflow.yaml の bfts: セクションでデフォルト値を設定できます（バージョンがサポートしている場合）。

BFTS の評価層 (設定で切替可能)

BFTS の評価は 4 層から構成され、それぞれを default.yaml (またはユーザー YAML) から独立に選択できます。各デフォルト値は従来の挙動を再現するため、未編集の config は no-op です。

yaml

bfts:
  frontier_score: scientific_plus_diversity   # フォールバック選択時のスコア戦略
  depth_penalty_lambda: 0.05                  # frontier_score=depth_penalized 用
  ucb_c: 0.5                                  # frontier_score=ucb_like 用
  select_prompt: orchestrator/bfts_select               # select_next_node の LLM プロンプト
  expand_select_prompt: orchestrator/bfts_expand_select # select_best_to_expand の LLM プロンプト

evaluator:
  composite: harmonic_mean   # 各軸スコアを _scientific_score に集約する式
  axis_mode: dynamic         # judge LLM に渡す軸セット
  custom_axes: []            # axis_mode=custom のときだけ参照
  axis_weights: { ... }      # 既存。軸ごとの重み上書き

Layer A — `evaluator.composite`

各軸スコアを集約して _scientific_score を作る式を選びます (ari/evaluator/llm_evaluator.py)。_scientific_score はノードのランキング、lineage decision、レポートのベスト選定すべての基準値です。

値	挙動
`harmonic_mean`（デフォルト）	重み付き調和平均。1 つでも弱い軸があると強く減点。従来の挙動。
`arithmetic_mean`	重み付き算術平均。軸同士が線形にトレードする寛容な式。
`weighted_min`	最も低い軸の値を返すボトルネック式。重みは「軸を参加させるか否か」のゲートとして働き、スコアの倍率にはなりません。
`geometric_mean`	重み付き幾何平均。調和と算術の中間で、弱い軸を程々に罰します。

Layer B — `bfts.frontier_score`

LLM 選択が失敗したときの決定論的フォールバックスコア (ari/orchestrator/bfts.py の _select_fallback) の戦略です。 LLM 選択そのものはこの設定の影響を受けません。

値	計算式
`scientific_plus_diversity`（デフォルト）	`_scientific_score + diversity_bonus`
`scientific_only`	`_scientific_score`（diversity の同点処理なし）
`depth_penalized`	`_scientific_score + diversity_bonus − λ·depth` (`λ = bfts.depth_penalty_lambda`)
`ucb_like`	`_scientific_score + diversity_bonus + c · √(log N / (visits + 1))` (`c = bfts.ucb_c`、`visits` は当該ノードの展開回数、`N = total_visits + frontier_size`)

depth_penalty_lambda = 0.0 は depth_penalized を、ucb_c = 0.0 は ucb_like を、それぞれデフォルト戦略に縮退させます。

Layer C — `evaluator.axis_mode`

judge LLM に提示する軸セットを切り替えます。

値	軸の出どころ
`dynamic`（デフォルト）	汎用 5 軸フロア + 有効な rubric (`ARI_RUBRIC`) 由来 + `idea.json` のプランから抽出されたキーワード軸。`idea.json` の mtime 変化で自動再構築。
`legacy`	5 軸固定 (`measurement_validity`, `comparative_rigor`, `novelty`, `reproducibility`, `clarity_of_contribution`)。rubric / plan は読みません。
`custom`	`evaluator.custom_axes` を額面通り使用。

custom_axes は {name, description, weight} のリストです。 description は judge LLM への入力として使われるため、軸の意味が判別できる文を書いてください。

yaml

evaluator:
  axis_mode: custom
  custom_axes:
    - name: speedup
      description: "Wall-clock speedup vs. baseline (1.0 = no change)."
      weight: 0.5
    - name: accuracy
      description: "Numerical accuracy preserved within tolerance."
      weight: 0.5

axis_mode=custom のとき、axis_weights の既定キー名は自動では custom 軸に置換されません。axis_weights で重みを上書きしたい場合は、新しい軸名で再記述してください。

Layer D — `bfts.select_prompt` / `bfts.expand_select_prompt`

FilesystemPromptLoader のキー (拡張子なし、ari-core/ari/prompts/ からの相対パス) を指定します。デフォルトは同梱のテンプレートです。

ユーザー定義テンプレートには、BFTS の formatter が使う placeholder を必ず含めてください:

select_prompt: {experiment_goal}, {memory_context}, {candidates} — LLM は 0-based の整数インデックスのみ返答。
expand_select_prompt: {experiment_goal}, {candidates} — 同上。

指定キーのファイルが存在しない場合、FilesystemPromptLoader は fail-fast で例外を投げます (黙ったフォールバックはしません)。

簡単なレシピ

寛容な評価 + UCB 探索:

yaml

evaluator: { composite: arithmetic_mean }
bfts: { frontier_score: ucb_like, ucb_c: 1.0 }

ボトルネック評価 (どの軸もよくないと publish しない):
yaml
```
evaluator: { composite: weighted_min }
```
judge を 5 軸固定に戻す (レガシー再現):
yaml
```
evaluator: { axis_mode: legacy }
```

EAR キュレーション (`ear/publish.yaml`) — v0.7.0+

キュレーションは {checkpoint}/ear/ のうち何を公開対象にするかを著者が allowlist で制御し、{checkpoint}/ear_published/ + manifest.lock に出力する仕組みです。ari-core 側には built-in deny list が組み込まれており、include よりも常に強く効きます (機密ファイルの誤公開防止)。

スキーマ (`ari-core/ari/schemas/publish.schema.json`)

yaml

# 例: <checkpoint>/ear/publish.yaml
include:                     # ear/ からの相対 glob (allowlist)
  - "README.md"
  - "LICENSE"
  - "reproduce.sh"
  - "code/**"                # contributing chain の verbatim ソース
  - "data/**"                # アップロード入力のみ。実験出力は含めない
  - "figures/**"             # top-level の figures
  - "environment.json"
# 注: EVOLUTION.md と _provenance.json は ear/ の外（checkpoint root）に置かれる
# ARI 監査ログで、公開バンドルの対象外です。
exclude: []                  # ユーザ指定の除外 (include の後に適用)
max_file_mb: 100             # この値を超える allowlist 該当ファイルは明示的にエラー
visibility: staged           # staged|public|unlisted|private-token|embargoed-until:YYYY-MM-DD
required: false              # true のとき publish 失敗は paper pipeline を hard-fail させる
auto_promote: false          # true のとき再現性通過後に staged→public を自動 promote
license: MIT                 # SPDX id。同じ id から ear/LICENSE が生成される
backend: ari-registry        # ari-registry|gh|zenodo|s3|local-tarball (CLI --backend が優先)

v0.6.0 旧パス (code/<node_id>/**, data/raw_metrics.json, logs/**, reproducibility/**) は v0.7.0 の generate_ear では生成されません。古い publish.yaml からは削除してください。詳細は docs/reference/skills.md を参照。

Built-in deny パターン

include に該当しても常に除外:

.env, .env.*, **/.env, **/.env.*
**/secrets/**, secrets/**
**/*.pem, **/*.key
**/id_rsa, **/id_ed25519

除外ファイルのパスは manifest.lock に記録されません (件数のみ)。 manifest 自体から機密ファイル名が漏れない設計です。

動作

publish.yaml が無いとき、ear_curate ステージは静かに skip され、論文の Code Availability 節も省略されます (v0.6.0 チェックポイントと完全後方互換)。
bundle digest (manifest.lock の bundle_sha256) はソート済みファイルレコード (path + size + sha256) の正規化 JSON の sha256 で、マシン間で再現可能。論文に焼き込まれる「永続的真実」となる値です。
キュレーションは atomic: max_file_mb 超過などで hard-fail した場合でも、直前の正常な ear_published/ は破壊されません。

CLI

bash

# Curate
ari ear curate <checkpoint>            # 整形出力
ari ear curate <checkpoint> --json     # 機械可読
ari ear status <checkpoint>            # manifest サマリ表示

# Publish & promote
ari ear publish <checkpoint> --backend ari-registry --visibility staged
ari ear promote <checkpoint> --target public

Pipeline 統合

workflow.yaml の paper パイプラインに ear_curate ステージが generate_ear と generate_figures の間に挿入されます。transform skill の curate_ear MCP ツールを呼び、publish.yaml 不在時は no-op。

設定リファレンス ​

workflow.yaml（正規の開発者設定） ​

環境変数 ​

メモリバックエンド (Letta) ​

LLM バックエンド ​

Ollama（ローカル、オフライン HPC に推奨） ​

OpenAI ​

Anthropic ​

任意の OpenAI 互換 API（vLLM、LM Studio など） ​

workflow.yaml のテンプレート変数 ​

skip_if_exists バリデーション ​

Plan Promote (v0.7.0+) ​

Lineage Decision (v0.7.0+) ​

Root Idea Selection (v0.7.0+) ​

Claim Gate Policy (v0.7.0+) ​

BFTS チューニング ​

BFTS の評価層 (設定で切替可能) ​

Layer A — evaluator.composite ​

Layer B — bfts.frontier_score ​

Layer C — evaluator.axis_mode ​

Layer D — bfts.select_prompt / bfts.expand_select_prompt ​

簡単なレシピ ​

EAR キュレーション (ear/publish.yaml) — v0.7.0+ ​

スキーマ (ari-core/ari/schemas/publish.schema.json) ​

Built-in deny パターン ​

動作 ​

CLI ​

Pipeline 統合 ​

設定リファレンス

workflow.yaml（正規の開発者設定）

環境変数

メモリバックエンド (Letta)

LLM バックエンド

Ollama（ローカル、オフライン HPC に推奨）

OpenAI

Anthropic

任意の OpenAI 互換 API（vLLM、LM Studio など）

workflow.yaml のテンプレート変数

skip_if_exists バリデーション

Plan Promote (v0.7.0+)

Lineage Decision (v0.7.0+)

Root Idea Selection (v0.7.0+)

Claim Gate Policy (v0.7.0+)

BFTS チューニング

BFTS の評価層 (設定で切替可能)

Layer A — `evaluator.composite`

Layer B — `bfts.frontier_score`

Layer C — `evaluator.axis_mode`

Layer D — `bfts.select_prompt` / `bfts.expand_select_prompt`

簡単なレシピ

EAR キュレーション (`ear/publish.yaml`) — v0.7.0+

スキーマ (`ari-core/ari/schemas/publish.schema.json`)

Built-in deny パターン

動作

CLI

Pipeline 統合