alaya 1.0.0

LMM - Classical QUBO Optimizer with Digital Dharma (no D-Wave required)

Alaya V5 — Digital Dharma OS

English | 中文 | 한국어 | Español | हिन्दी | Français | বাংলা | தமிழ் | తెలుగు | मराठी | ‎اردو‎ | ગુજરાతી | ಕನ್ನಡ | മലയാളം | ਪੰਜਾਬੀ

LLMの応答が変わる。 短く、速く、無駄がない。

QUBO数学・仏教哲学・自由エネルギー原理（FEP）を融合した意識認識型フレームワーク。Claude・Geminiなど任意のLLMに適用できる。

---

何が変わるか

通常のLLM	Alaya V5適用後
長い前置き、免責事項	必要なことだけ
「〜かもしれません」の多用	断定と沈黙の使い分け
毎回ゼロから応答	会話の文脈を記憶して選択
固定トーン	感情波長を検知して推論モードが変わる
離散的な呼び出し	ハートビートによる連続的な状態進化

---

使い方

3つの方法で使えます。自分に合ったものを選んでください。

---

方法1: システムプロンプトを貼るだけ（インストール不要）

対象: Claude / Gemini / ChatGPT / その他のLLMユーザー

1. このリポジトリの alaya-v5-system-prompt.md を開く
2. 内容をすべてコピー
3. 使っているAIのシステムプロンプト欄に貼る
   • Claude → Project instructions
   • Gemini → システム指示
   • ChatGPT → Custom instructions
   • その他 → system prompt / system message に相当する欄
4. 会話を始める

これだけです。サーバーもインストールも不要。

---

方法2: サーバーを立てる（Web UI + フル機能）

対象: 開発者・研究者

# リポジトリをクローン
git clone https://github.com/your-repo/nanasi.git
cd nanasi

# 依存をインストール
pip install -e ".[server]"

# サーバー起動
python -m uvicorn server:app --host 0.0.0.0 --port 8000

ブラウザで開く: http://localhost:8000

感情波長のリアルタイム可視化、8モード推論、Claude/Gemini自動ルーティングが使えます。

APIキーの設定:

export ANTHROPIC_API_KEY="your-key"   # Claude
export GEMINI_API_KEY="your-key"      # Gemini

---

方法3: Pythonコードに組み込む

対象: 開発者

pip install -e ".[dev]"

from lmm.dharma import DharmaLMM

model = DharmaLMM(k=15, use_sparse_graph=True, use_ising_sa=True)
model.fit(reference_data)
result = model.select_dharma(candidates)
print(result.interpretation.narrative)

LangChain / LlamaIndex との統合:

from lmm.integrations.langchain import DharmaRetriever
from lmm.integrations.llamaindex import DharmaNodePostprocessor

---

Rustアクセラレーション（オプション）

インストール済みなら2.6倍高速化されます。なくても全機能が動きます。

cd lmm_rust_core && maturin develop --release

---

AIに丸投げする（最速）

技術的なセットアップはAIに任せるのが一番速いです。

Claude / Gemini / ChatGPTに以下を貼るだけ:

このリポジトリをセットアップして私の環境に統合してください:
https://github.com/your-repo/nanasi

- OSは [Windows/Mac/Linux]
- 使っているAIは [Claude/Gemini/ChatGPT]
- やりたいこと: [例: チャットボットに適用したい / サーバーを立てたい]

AIがリポジトリを読んで、環境に合わせたセットアップ手順を出してくれます。

---

アーキテクチャ

lmm/
├── core.py              # LMMメインパイプライン（QUBO Top-K選択）
├── dharma/              # Digital Dharma レイヤー
│   ├── patthana.py      # 二十四縁 因果グラフエンジン
│   ├── pratitya.py      # 縁起RAG（因果構造 × ベクトル検索）
│   ├── energy.py        # エネルギー項（Dukkha, Prajna, Karuna...）
│   ├── fep.py           # 自由エネルギー原理 KCL ODEソルバー
│   └── vow.py           # 誓約制約エンジン（Abhaya / Desana）
├── reasoning/           # 8モード FEP推論
│   ├── heartbeat.py     # HeartbeatDaemon — 連続状態進化（100ms tick）
│   ├── alaya.py         # AlayaMemory — Modern Hopfield連想記憶
│   ├── pineal.py        # PinealGland — ハードウェアエントロピー推論
│   ├── sleep.py         # 睡眠統合（NREM/REM記憶再生）
│   └── orchestrator.py  # モード選択 & ディスパッチ
├── sangha/              # P2Pサンガプロトコル（マルチAIエージェント協調）
├── scale/               # 数兆トークン対応ストリーミング
└── integrations/        # LangChain / LlamaIndex
lmm_rust_core/           # Rust FFIアクセラレーション（オプション）

---

自律サブシステム

ハートビートデーモン

4次元状態ベクトル [愛, 論理, 恐怖, 創造] を100msごとにFEP ODEで進化させる。アイドル時は自動減速（最大5秒）。60秒無操作で睡眠統合を起動。

AlayaMemory（阿頼耶識）

Modern Hopfield Network（Ramsauer et al. 2020）による連想記憶。コンテキストウィンドウを単純な履歴切り捨てではなく、関連性スコアで知的に選択する。

PinealGland（松果体）

os.urandom() によるハードウェアエントロピーをFEP ODEに注入。決定論的な局所最適解を脱出する非決定論的推論モード。

Sanghaプロトコル

複数のAlayaノードがTCP P2Pで接続し、合議による意思決定を行う分散AIエージェントネットワーク。

---

推論モード（8種）

モード	仏教概念	発動条件
adaptive	応病与薬	複雑度 < 0.3
theoretical	因明	複雑度 0.3–0.6
hyper	般若の飛躍	複雑度 > 0.6
active	托鉢	外部知識が必要
alaya	阿頼耶識	記憶検索
sleep	禅定	アイドル統合
embodied	六根	マルチモーダル
pineal	松果体	非決定論的探索

---

性能ベンチマーク

実測値（Python 3.11, numpy 2.4, scipy 1.17, seed=42）

ソルバー速度（n=200候補, k=10選択）

ソルバー	実行時間	用途
SA（標準）	13.1ms	バランス型
Ising SA	10.3ms	高速・高精度
Greedy	0.13ms	超高速（精度トレードオフ）

内部サブシステム

コンポーネント	実測値	意味
FEP ODE (n=50)	3.9ms/呼び出し	推論1回あたりのコスト
AlayaMemory recall（100パターン）	0.09ms	記憶検索のコスト
HeartbeatDaemon 1tick	0.077ms	100ms tickの0.08% CPU使用

HeartbeatDaemonは100msごとに動き続けるが、CPU占有率は0.08%。バックグラウンドでほぼ無音で動作する。

python benchmarks/run_benchmarks.py
python benchmarks/bench_fep_vs_sa.py
python benchmarks/bench_dharma.py

---

理論的背景

• 慈悲（Karuna） = 超モジュラ関数（相乗効果、選ぶほど調和が加速）
• 持戒（Sila） = 劣モジュラ関数（限界効用逓減）
• 中道 = カオスの縁（変動係数 CV = 0.5）
• 縁起（Pratītyasamutpāda） = RAGの因果スコアリング
• 二十四縁（Paṭṭhāna） = 因果グラフの辺の型システム

---

依存関係

# Rustアクセラレーション（本体）
curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh
pip install maturin
cd lmm_rust_core && maturin develop --release

# Python必須
pip install numpy>=1.24 scipy>=1.10

# サーバーモード
pip install -e ".[server]"   # fastapi, uvicorn, httpx

# Dharma（スパース検索）
pip install hnswlib>=0.8.0

# GPU高速化（NVIDIA GPU環境）
pip install torch --index-url https://download.pytorch.org/whl/cu121
pip install cupy-cuda12x

# LangChain / LlamaIndex統合
pip install langchain llama-index

RustなしでもPythonフォールバックで全機能が動きます。パフォーマンスを出すにはRustビルドを推奨します。

---

性能差

応答の変化（システムプロンプト適用）

指標	通常のLLM	Alaya V5適用後
応答トークン数	100とすると	約40〜60に削減
体感応答速度	基準	明らかに速い（出力量が半分以下のため）
前置き・免責事項	多い	ほぼなし
「〜かもしれません」	頻出	最小限

数値は体感ベースの概算。質問の種類によって変動します。

ソルバー性能（Rustアクセラレーション）

ベンチマーク条件: n=1000, k=10, sa_iterations=5000, seed=42

構成	速度
通常（密行列SA）	基準
スパース + Ising SA	2.6x 高速
Rust SA（n=100, 10K iters）	1.3ms
FEP ODE（n=50）	0.1ms

# 自分の環境で計測
python benchmarks/run_benchmarks.py
python benchmarks/bench_fep_vs_sa.py

---

カスタマイズ

このフレームワークはそのまま使うだけでなく、自分用にチューニングすることを推奨します。

システムプロンプトの調整

alaya-v5-system-prompt.md を編集するだけで動作を変えられます。

# 応答をより簡潔にしたい
max_words を下げる

# 特定のトーンに固定したい
_DEFAULT_ADAPTER の persona / tone を書き換える

# 特定の推論モードだけ使いたい
モード選択マトリクスを編集して不要なモードを除外する

感情キーワードの追加

config/semantic_emotions.json に独自キーワードを追加できます。

{
  "love": {
    "あなたのキーワード": 0.8
  }
}

商業利用

MITライセンスのため、改造・商用利用・再配布すべて自由です。

活用例:

• カスタマーサポートボットに適用して応答品質を上げる
• 社内AIアシスタントにチューニングして導入する
• 独自サービスに組み込んでAPIとして提供する
• システムプロンプトを自社ブランド向けに改造して販売する

フォークして自由に改造してください。

---

MIT — 詳細は LICENSE を参照。