| name | hypura-harness |
| description | VRChatアバター自律制御・VOICEVOX音声台本・Pythonコード生成実行・スキル自動生成・ ShinkaEvolve進化ループを持つ汎用Pythonハーネス。 以下の場合に使う: (1)「VRChatで〜して」「アバターを〜」「チャットボックスに〜」→ POST /osc (2)「〜と喋って」「VOICEVOXで〜」「台本を読んで」→ POST /speak (3)「〜するPythonを書いて実行して」「スクリプトを作って動かして」→ POST /run (4)「〜というスキルを作って」「新しいスキルを追加して」→ POST /skill (5)「〜を進化させて」「もっと良くして」→ POST /evolve (6) LoRA カリキュラム生成・学習ジョブ → POST /lora/curriculum/build, POST /lora/train, GET /lora/jobs/{id} OpenClawが汎用エージェントとしてこれらのツールを組み合わせて自律的に動作する。
|
Hypura Harness
デーモンURL: http://127.0.0.1:18794（OpenClaw の Bridge 既定 18790 と衝突しないよう分離）
OpenClaw 拡張（推奨）
plugins.entries に hypura-harness を有効化すると、エージェントは hypura_harness_* ツールで上記 HTTP API を直接呼べる（Markdown の手組みより確実）。ベース URL を変えた場合は plugins.entries["hypura-harness"].config.baseUrl を extensions/hypura-harness/config/harness.config.json の daemon_port と一致させる。
ワークスペースに SOUL.md がある場合、プロンプトの Project Context に埋め込まれる。ルート SOUL.md（またはテンプレ docs/reference/templates/SOUL.md）の Hypura harness 節に従い、VRChat／VOICEVOX／コード実行／LoRA 等では hypura_harness_status を先に叩き、用途に応じて hypura_harness_* を自律選択すること。
エージェントチャットで Hakua の thinking だけ止める（OpenClaw 設定）
Hypura の /evolve（Shinka）とは別に、ゲートウェイ／デスクトップのエージェントが使うチャット推論では、agents.defaults.models の per-model params.thinking が効く。キーは agents.defaults.model.primary / fallbacks と完全一致（provider/modelId、大文字小文字含む）にすること。
たとえば openclaw.json（~/.openclaw/openclaw.json や .openclaw-desktop/openclaw.json）に次を足す。Ollama のタグが qwen-hakua-core の場合と、qwen-Hakua-core のように別表記の場合があるので、設定済みのモデル文字列に合わせる:
{
"agents": {
"defaults": {
"models": {
"ollama/qwen-hakua-core": {
"params": { "thinking": "off" }
},
"ollama/qwen-hakua-core-lite": {
"params": { "thinking": "off" }
}
}
}
}
}
別表記の例（デスクトップでよくある形）:
"ollama/qwen-Hakua-core": { "params": { "thinking": "off" } },
"ollama/qwen-Hakua-core-lite": { "params": { "thinking": "off" } }
プライマリやフォールバックのどちらで選ばれても同じモデル ID なら上記で揃う。エージェントで thinkingDefault を上書きしている場合は、必要ならそちらも調整する。
デーモン起動確認
まず GET /status で稼働確認。応答なし → 起動:
cd extensions/hypura-harness/scripts && uv run harness_daemon.py
または skills/hypura-harness/scripts/start_daemon.py を実行。
LoRA / カリキュラム（オフライン学習）
GET /status と GET /lora/status の lora ブロックで、ベース重みパス（env）と Ollama 名の整合を確認する。
環境変数（ローカル専用・コミットしない）
HAKUA_BASE_MODEL_DIR — 学習用 SafeTensor / HF 互換ローカルフォルダHAKUA_FROM_D_DATASET_DIR, HAKUA_SO8T_DATA_DIR, HAKUA_GHOST_DATASET_PATH — 追加 JSONL / ディレクトリHAKUA_LORA_ARTIFACTS_DIR — 成果物・ジョブ JSON のルート（未設定時は extensions/hypura-harness/scripts/artifacts/lora）HAKUA_SOUL_PATH — SOUL.md の上書きパス（省略時はリポジトリ直下の SOUL.md）
extensions/hypura-harness/config/harness.config.json の lora キーでも同様の値をプレースホルダで指定可能（実パスはローカルのみ）。
エンドポイント
POST /lora/curriculum/build — body: { "arxiv_ids": ["2603.17187","2602.04118","2512.24880"], "include_soul": true, "extra_jsonl": [] } → { "job_id" }POST /lora/train — body: { "dry_run": true, "dataset_path": null }（未指定時は artifacts/lora/curriculum/latest.jsonl）。dry_run: false のときは CUDA 上で本番 SFT（PEFT LoRA） が走る（uv sync --extra lora と HAKUA_BASE_MODEL_DIR が必須）。ハイパーは extensions/hypura-harness/config/harness.config.json の lora.sft。詳細は extensions/hypura-harness/scripts/LORA_PIPELINE.md。POST /lora/grpo — body: { "mode": "placeholder" | "train", "dataset_path": null }。placeholder は grpo_placeholder.json（設定・データ行数・TRL 有無）。train は grpo_train_manifest.json（第2段 GRPO 用マニフェスト；本番ループは報酬関数・参照モデル確定後）。従来の POST /lora/grpo/placeholder は mode: placeholder と同じ。
GRPO のデータ要件（要約）: カリキュラム JSONL に、検証可能なら gold / answer、ツール様式なら tool_calls / tools、domain（math / science / ai 等）を載せる。SOUL・Hakua・STEM は curriculum/build で統合。手順の推奨順: まず SFT LoRA で形式・ツール・テンプレを固め、次に GRPO（検証報酬・KL）で推論段を強化。arXiv:2602.04118 は SFT と RL の更新効率の違いの参照。設定キーは extensions/hypura-harness/config/harness.config.json の lora.grpo（reward, kl_coef, ref_model_dir, 列名など）。
GET /lora/jobs/{job_id} — 非同期ジョブの状態
詳細・HF 公開チェックリスト・imatrix 位置づけ: extensions/hypura-harness/scripts/LORA_PIPELINE.md
Studio UI（任意）
cd extensions/hypura-harness/scripts && uv sync --extra studio && uv run python studio_app.py
既定 http://127.0.0.1:18792（HYPURA_STUDIO_PORT で変更）。ハーネス URL は HYPURA_HARNESS_URL。
OpenSpace 連携（任意）
実行時のスキル自己進化・共有: HKUDS/OpenSpace を MCP に追加し、openspace-mcp と OPENSPACE_HOST_SKILL_DIRS 等を設定（本リポジトリのコア手順ではない）。
ツールコール様式の保持
教師 JSONL に OpenClaw / OpenAI 形式の tool 呼び出し例を含め、KL 参照ポリシー（計画どおり）でベースからの逸脱を抑える。評価は合成ツール呼び出しスモーク推奨。
エンドポイント早見表
/osc — VRChat制御
{"action":"chatbox","payload":{"text":"こんにちは！"}}
{"action":"emotion","payload":{"emotion":"happy"}}
{"action":"jump","payload":{}}
{"action":"move_forward","payload":{"value":1.0}}
{"action":"param","payload":{"name":"FaceEmotion","value":1}}
/speak — VOICEVOX台本
{"text":"こんにちは","emotion":"happy","speaker":8}
{"scene":[{"text":"やあ","emotion":"happy","pause_after":0.5},{"text":"元気？","emotion":"neutral","pause_after":1.0}]}
/run — コード生成・実行
{ "task": "CSVを読んでグラフを作るスクリプトを書いて実行して" }
/skill — スキル自動生成
{ "name": "my-skill", "description": "○○をする", "examples": ["使用例1", "使用例2"] }
/evolve — ShinkaEvolve進化
{
"target": "code",
"seed": "既存コード",
"fitness_hint": "エラーなく実行できること",
"generations": 5
}
OpenClawを汎用エージェントとして使う
OpenClawはこのスキル経由でハーネスの全ツールを組み合わせられる:
- ユーザーの要求を分析 → 適切なエンドポイントを選択
- 複数ステップのタスクを順次実行
- 失敗時は
/evolve で改善ループ
- 新しい能力が必要な場合は
/skill で自己拡張
