llive デモポータル

Raptor RAD コーパス × llive 記憶モデル × MCP / OpenAI 互換 HTTP — 動く 5 つのミニデモ。 各シナリオはコピー可能なコマンドと期待出力つき。mock backend で完結し、 API キー / 実コーパス不要で 30 秒 〜 2 分で再生できます。

7/7 scenarios passing ja / en narration stdlib + mcp + (optional) openai/anthropic/ollama

クリックで展開／Esc で畳む
1
RAD 読み API のクイックツアー
RAD read-API quick tour — synthetic 3-doc corpus → 3 queries → score 比較
TRIZ#35 パラメータ変更 — 入力クエリを変えると filename 一致 / content 一致 / no-hit の差が一目で分かる

実行

py -3.11 -m llive.demo --only 1 --lang ja

期待出力

==[ rad-quick-tour :: RAD 読み API のクイックツアー ]==
  ミニコーパスを生成して RAD 読み API を 3 通りに当てます。
  サンプルコーパスを /tmp/llive-demo-XXXX に作成中...
  3 件のドキュメントを security_corpus_v2 に配置しました。

  [1/3] クエリ: 'buffer overflow'
  - security_corpus_v2/buffer_overflow.md  score=9.0  matched=buffer,overflow
    抜粋: # Buffer Overflow  Classic memory-safety bug: writes that exceed the allocated b

  [2/3] クエリ: 'TOCTOU race'
  - security_corpus_v2/race_conditions.md  score=5.0  matched=race,toctou
    抜粋: # Race conditions  TOCTOU and threading hazards. Use atomics or locks.

  [3/3] クエリ: 'elephant'
  (該当なし)
  ----------------------------------------------------------------
  合計 2 件のヒット。クエリの強さは filename 一致が一段強い。
所要
~30 秒
依存
stdlib のみ (実 RAD コーパス不要)
学べる
RadCorpusIndex / query() / filename×3 + content score
2
学習物の書き込み → 即時検索
Write learning → retrieve immediately — append_learning + provenance.json sidecar
TRIZ#5 結合 — 書き層と読み層を同じ RadCorpusIndex に統合、書いた直後に検索可能

実行

py -3.11 -m llive.demo --only 2 --lang ja

期待出力

==[ append-roundtrip :: 学習物の書き込み → 即時検索 ]==
  _learned/ に学習物を書き、すぐ検索で見える経路を示します。

  [1/2] vlm_findings に学習物を書き込み...
  ok wrote 20260515T...md と 20260515T....provenance.json を作成
  provenance.json の中身:
    source_type: 'demo'
    source_id: 'scenario-2'
    confidence: 0.85
    derived_from: ['event-001', 'event-002']

  [2/2] 書いた直後にキーワード 'adversarial patch' で検索...
  - _learned/vlm_findings/20260515T...md  score=2.0
    抜粋: # Adversarial patch on stop signs ...
  ----------------------------------------------------------------
  1 件ヒット。consolidation 出口の書き戻し経路と同じ仕組みです。
所要
~20 秒
依存
stdlib のみ + Pydantic (Provenance モデル)
学べる
append_learning() / provenance.json / LLW-AC-01 source-anchored
3
RAD ヒント注入つきコードレビュー
Code review with RAD hint injection — security_corpus_v2 → LLM grounding
TRIZ#24 仲介 — RAD が LLM の知識仲介、汎用 LLM が specialised security reviewerに化ける

実行

py -3.11 -m llive.demo --only 3 --lang ja

期待出力

==[ code-review :: RAD ヒント注入つきコードレビュー ]==
  security_corpus からヒントを抜き、LLM にレビューさせる流れを示します。
  ミニ security_corpus を生成中...

  [1/3] 脆弱コード:
    void greet(const char* user) {
        char buf[16];
        strcpy(buf, user);          /* unchecked length */
        printf(buf);                /* untrusted format string */
    }

  [2/3] tool_code_review を実行 (mock backend、ネットワーク不要)...
  注入された RAD ヒント (2件):
    - format_string.md
    - strcpy_overflow.md
  生成された system prompt の冒頭:
    | You are a security-focused code reviewer. ...
    | # Relevant security knowledge from RAD
    | - Calling printf with attacker-controlled format specifiers ...
    | - strcpy() copies until NUL; ...

  [3/3] LLM 応答:
    - L3: strcpy() lacks bounds check (CWE-120); use strncpy or snprintf.
    - L4: printf(buf) is a CWE-134 format-string sink; use printf("%s", buf).
  ----------------------------------------------------------------
  ヒント 2 件が system に注入され、LLM がそれを下敷きに回答。
所要
~30 秒
依存
RecordingBackend (mock) で完結、実 LLM 不要
学べる
tool_code_review / system prompt 構築 / RAD grounding 効果
本番では
LLIVE_LLM_BACKEND=ollama で qwen2.5-coder 等に差し替え可能
4
MCP server を実 client で呼ぶ
Real MCP stdio round-trip — initialize / list_tools / call_tool
TRIZ#28 機構の交換 — モックではなく 本物の MCP SDKで呼ぶことで、Claude Desktop と同等の経路を実機検証

実行

py -3.11 -m pip install -e .[mcp] && py -3.11 -m llive.demo --only 4 --lang ja

期待出力

==[ mcp-roundtrip :: MCP server を実 client で呼ぶ ]==
  MCP server を subprocess で起動し、公式 client から呼びます。

  [1/3] subprocess で `py -m llive.mcp.server` を起動中...
  ok initialize() 成功

  [2/3] list_tools() = append_learning,code_complete,code_review,
        get_domain_info,list_rad_domains,query_rad,read_document,
        vlm_describe_image

  [3/3] call_tool('query_rad', keywords='buffer') 実行中...
  (該当なし — synthetic corpus が空でも server 自体は応答)
  ----------------------------------------------------------------
  8 tool 検出、1 ラウンドトリップ完了。Claude Desktop と同じ経路です。
所要
~1 分 (subprocess 起動含む)
依存
pip install -e .[mcp] (mcp>=1.0)
学べる
stdio transport / list_tools / call_tool / TextContent → JSON
同じ経路
Claude Desktop / LM Studio / Cursor / Continue.dev
5
OpenAI 互換 HTTP server で RAG-on-by-flag
RAG on/off contrast via x_rad_domain header — Ollama / OpenWebUI 直結経路
TRIZ#15 動的化 — 同じプロンプトでも x_rad_domain を入れると system prompt にヒントが動的注入される

実行

py -3.11 -m llive.demo --only 5 --lang ja

期待出力

==[ openai-http :: OpenAI 互換 HTTP server で RAG-on-by-flag ]==
  HTTP server を ephemeral port で起動し、RAD on/off の差分を出します。
  サーバ起動: http://127.0.0.1:<ephemeral>/v1
  ミニ security_corpus を準備...

  [1/2] POST (RAD オフ):
  応答 text 抜粋:
    [mock] Explain buffer overflow in C in two sentences.
  注入されたヒント: 0 件 / -

  [2/2] POST (RAD オン: x_rad_domain=security_corpus_v2):
  応答 text 抜粋:
    [mock] Explain buffer overflow in C in two sentences.
  注入されたヒント: 1 件 / buffer_overflow.md
  ----------------------------------------------------------------
  RAD オンにすると同じプロンプトに 1 件のヒントが system に追加されました。

本番接続例 (Ollama / OpenWebUI)

py -3.11 -m llive.server.openai_api --host 127.0.0.1 --port 8765 # Then point your OpenAI client at base_url=http://127.0.0.1:8765/v1
所要
~40 秒
依存
stdlib のみ (Ollama 不要、Mock backend で完結)
学べる
OpenAI 互換 endpoint / x_rad_domain 拡張 / RAG-on-by-flag
同じ経路
Ollama / OpenWebUI / 任意の OpenAI compat クライアント
6
VLM describe + RAD ヒント (画像 + 知識基盤)
1x1 PNG + domain_hint で vision-language model の grounding 効果を可視化
TRIZ#24 仲介 — RAD が VLM の知識仲介、汎用 VLM がドメイン用語にチューニングされる経路

実行

py -3.11 -m llive.demo --only 6 --lang ja

期待出力

==[ vlm-describe :: VLM describe + RAD ヒント (画像 + 知識基盤) ]==
  1x1 の合成 PNG を渡し、VLM describe を 2 通り (RAD 無し / 有り) で実行。
  1x1 PNG をメモリ上で生成中...
  vision_corpus を予約準備 (synthetic)...

  [1/2] RAD 無しの VLM describe:
  応答:
    [vlm-mock] saw 1 image; prompt = What is in this image? ...
  注入されたヒント: 0 件 / -

  [2/2] RAD 有り (domain_hint=vision_corpus) の VLM describe:
  応答:
    [vlm-mock] saw 1 image; prompt = What is in this image? ...
  注入されたヒント: 2 件 / small_image_pitfalls.md, color_terminology.md
  system prompt (head):
    | # RAD hints
    | - Single-pixel and very small images mostly carry hue information; ...
    | - When asked to 'describe an image', VLMs benefit from explicit colour ...
  ----------------------------------------------------------------
  RAD 有りで 2 件のヒントが system に注入。
所要
~20 秒
依存
stdlib のみ (合成 PNG をメモリ上で生成)
学べる
VLM multimodal request / domain_hint grounding / 1x1 PNG の制約
本番では
LLIVE_LLM_BACKEND=ollama LLIVE_LLM_MODEL=qwen2.5-vl 等で実 VLM に差し替え
7
生物学的記憶モデルから RAD への書き戻し
Episodic events → Consolidator → ConceptPage → _learned/ ミラー (LLW-AC-01)
TRIZ#5 結合 — episodic / semantic / RAD を単一サイクルで結合、source-anchored provenance で因果を維持

実行

py -3.11 -m llive.demo --only 7 --lang ja

期待出力

==[ consolidation-mirror :: 生物学的記憶モデルから RAD への書き戻し ]==
  EpisodicEvent → cluster → ConceptPage → _learned/ への自動ミラー経路を 1 サイクルで示します。

  [1/2] 3 件の類似 episodic event を書き込み...
    event_ids = ['15db4...', '3658d...', '24676...']

  [2/2] Consolidator.run_once() を実行 (Mock LLM、ネットワーク不要)...
  pages_created=1 / pages_updated=0 / clusters=1
  _learned/<page_type>/ に書かれたファイル:
    - domain_concept/heap-spray-is-a-classic-technique.md
  provenance.json (LLW-AC-01 source-anchored):
    source_type: 'consolidator'
    source_id: 'heap-spray-is-a-classic-technique'
    confidence: 0.8
    derived_from: ['24676...', '3658d...', '15db4...']
  ----------------------------------------------------------------
  1 件の learned doc が生成。derived_from で生 event id まで追跡可能です。
所要
~30 秒 (DuckDB + Kuzu の初期化込み)
依存
stdlib + duckdb + kuzu (既に core 依存)、Mock CompileLLM で完結
学べる
episodic → cluster → consolidator → RAD のフルパス / LLW-AC-01 source-anchored
差別化
llive 独自の生物学的記憶モデル × RAD の交点で、他のメモリ LLM フレームワークと一線を画す機能
B
[ブラウザ] 人体図カウンセリング (Dr. Aria, educational fiction)
SVG 人体図 × medical_corpus_v2 grounding × 医師ペルソナ — クリックで部位説明、mock fallback 込み
TRIZ#1 分割 + #24 仲介 — 部位を SVG path に分割、RAD が医師ペルソナの知識仲介となる

開く

demos/anatomy/index.html

ブラウザでこの HTML を開いてください (file:// で動きます)。バックエンド起動なしでも mock テキストで動作確認できます。

実バックエンドで動かす

py -3.11 -m llive.server.openai_api --host 127.0.0.1 --port 8765

起動後にページをリロードすると status が live に変わり、 x_rad_domain=medical_corpus_v2 経由で RAD ヒントが注入されます。 医療コーパスを取り込んでいない場合は hints 0 件のまま動作します。

収録部位 (8)

  • 頭部 / 胸部 / 心臓 / 腹部
  • 左腕 / 右腕 / 左脚 / 右脚

免責 (重要)

これは "Dr. Aria" という架空キャラクターによる 教育・調査用デモであり、医療助言ではありません。 画面上部のバナーと LLM system prompt の両方で educational-fiction を明示しています。

所要
~10 秒 / 部位
依存
ブラウザのみ (mock) / + llive HTTP server (live RAD grounding)
学べる
OpenAI compat HTTP の x_rad_domain / SVG raycasting / educational fiction の安全な免責設計
UA 動作
Chrome / Firefox / Safari / Edge いずれでも fetch + ES2017 で動作
▶
全シナリオ連続再生
Run all 7 in sequence — overall ~3 min

実行

py -3.11 -m llive.demo --lang ja

サマリ末尾

=== summary: 7/7 ok ===
  OK   rad-quick-tour
  OK   append-roundtrip
  OK   code-review
  OK   mcp-roundtrip
  OK   openai-http
  OK   vlm-describe
  OK   consolidation-mirror