local-automata 0.2.1

ローカルLLM（mlx / llama.cpp / OpenAI互換）で動く、ツール・プロファイル対応の汎用エージェントのコア

local-automata

ローカルLLM（mlx / llama.cpp）で動く、最小の汎用コーディングエージェント。 LLM とツール（ファイル読み書き・編集・検索・シェル実行）を組み合わせた agent loop が土台で、 設定（agent.toml ＋ 指示 AGENTS.md）だけでコーダー以外のエージェント （キャラクターチャット等）にも転用できる。

挙動の詳細な仕様は SPEC.md を参照。

目次

• クイックスタート
• 使い方
• 設定（agent.toml）
• ツールと安全性
• 機能とオプション
• ローカルLLMサーバー
• サンプル
• ライブラリとして使う
• 構成とテスト

クイックスタート

uv を使う。3ステップで動く。

# 1. 環境構築（OS を自動判定。Apple Silicon では mlx も入る）
uv sync

# 2. ローカルLLMサーバーを起動（別ターミナルで）
uv run local-automata-server

# 3. エージェントを起動
uv run local-automata          # ターミナルで対話
uv run local-automata-web      # ブラウザのチャット GUI（http://127.0.0.1:8765）

モデル・接続先・ツールなどの挙動はすべて agent.toml（無ければ既定値） で決まる （→ 設定）。uv run の代わりに .venv を有効化すれば local-automata を直接呼べる。

使い方

ターミナル（local-automata）

対話形式。プロンプトを入力するたびに、エージェントがツールを使ってタスクを進める。 会話履歴はセッション内で保持される。

uv run local-automata
# > src/ のテストを実行して落ちている箇所を直して
# > さっきの修正にテストを追加して

• コマンド: /help・/reset（履歴クリア）・/img//file//video（添付）・exit（終了、Ctrl-D も可）
• 応答はストリーミング表示（既定）。不具合が出る場合は agent.toml で stream = false。
• メモリは無駄を貯めない: 古くなったファイル全文や edit_file で削除したコードは自動で省略し、各ファイルの最新の内容だけを履歴に残す。それでも max_context_tokens を超えたら、古いやり取りを要約して圧縮する。

画像・動画・ファイルの添付（ターミナル）:

> /img photo.png この画像を説明して          # vision 対応モデル＋サーバーが必要。複数はカンマ区切り、URL も可
> /video clip.mp4 何が起きてる?              # ffmpeg で代表フレームを抽出して画像化（vision モデル必要）
> /file paper.pdf この論文の要点をまとめて    # PDF はテキスト抽出。CSV/TXT/JSON/MD も可

大きなデータは添付せず workspace/ に置き、pandas 等で処理させる方が文脈を消費せず確実。

ブラウザ GUI（local-automata-web）

追加依存なし（標準ライブラリのみ）の簡易チャット画面。設定は CLI と同じ agent.toml から読む。

uv run local-automata-web                 # http://127.0.0.1:8765 を開く
uv run local-automata-web --port 9000 --no-browser

• 応答を SSE でストリーミング表示し、生成したコードや画像（グラフ）も画面に表示する。
• 入力欄の 🖼 ボタン（またはクリップボードからの貼り付け）で画像を添付して送れる。 画像入力には vision 対応モデル・サーバーが必要（画像・動画入力（vision）を参照）。
• 🎤 ボタンで音声入力ができる（[voice] を有効にしたときだけ表示）。音声入力（voice）を参照。
• 数式は LaTeX 記法（$...$ / $$...$$）を KaTeX できれいに表示する（同梱・オフライン動作）。
• 生成物はセッションごとの workspace/<日時>_<タイトル>/ に保存。「＋ 新しいチャット」で別フォルダに切替。
• LLM サーバーの自動起動も CLI と同じ。agent.toml に auto_start = true を書けば、サーバー未起動時に agent.toml の model/backend で自動起動し、GUI 終了時に停止する（手動で local-automata-server を立てなくてよい）。
• フロントエンドの静的ファイルはパッケージ内 local_automata/frontend/ に同梱（package-data）。pip install だけで GUI が動く。

設定（agent.toml）

モデル・パラメータ・運用設定はすべて agent.toml（＋既定値） で指定する。 CLI 引数や環境変数では指定しない（CLI は設定・プロファイル選択用の --config / --profile のみ）。 設定はトップレベル、または [profiles.<name>] 配下に書く。

# agent.toml
model = "mlx-community/Qwen3.6-27B-4bit"
base_url = "http://localhost:8080/v1"
backend = "mlx-vlm"        # mlx-vlm（vision・mac既定）/ mlx（テキスト専用・軽量）/ llama-cpp / router。省略時は OS 自動判定
temperature = 0.2
max_tokens = 16384
max_steps = 50
max_context_tokens = 16384
max_context_images = 2     # 文脈に残す画像メッセージ数。古い画像は自動で外す（-1 で無効）
image_context_mode = "recent"  # recent=単純省略 / on_demand=id を振りモデルが view_image("img_N") で選んで呼び戻す
enable_thinking = false
stream = true
tool_mode = "prompt"       # prompt（既定・自作方式）/ native（function calling）
verbose = true             # 過程を全部表示（ツール引数・結果の全文）。CLI/GUI とも既定 on。false で1行要約
allow_install = false      # run_command でのパッケージ導入を許可するか
auto_start = false         # サーバーが無ければ自動起動するか
parallel = 1               # 自動起動時の同時処理スロット数（llama.cpp）
workdir = "workspace"      # ツールの作業ディレクトリ（'.' で現ディレクトリ）
planning = false           # 着手前に計画を立てさせるか

キー	既定	説明
model	mlx-community/Qwen3.6-27B-4bit	モデル名/パス
base_url	http://localhost:8080/v1	OpenAI 互換エンドポイント
backend	OS自動（macOS arm64→mlx-vlm、他→llama-cpp）	起動するバックエンド。mac 既定は vision 対応の mlx-vlm（画像・動画もそのまま動く）。テキスト専用で軽くするなら mlx
temperature	0.2	サンプリング温度
max_tokens	16384	1応答の最大生成トークン
max_steps	50	1タスクの最大ツール往復回数
max_context_tokens	16384	これを超えると古い履歴を要約圧縮。手前で「古いファイル全文・削除コード」を自動で刈り取る
max_context_images	2	文脈に残す画像メッセージ数。古い画像は自動で外しプレースホルダ化（毎ターンの画像再送を防ぐ）。-1 で無効
image_context_mode	recent	古い画像の扱い。recent=単純省略 / on_demand=id を振り view_image("img_N") でモデルが必要な画像を選んで呼び戻せる
enable_thinking	false	思考(thinking)モード
stream	true	ストリーミング表示
request_timeout	（無制限）	LLM 応答の読み取りタイムアウト秒数（0/未指定で無制限）
mcp_call_timeout	120	MCP ツール呼び出しの既定タイムアウト秒数（0/負で無制限。各サーバーの timeout で上書き）
tool_mode	prompt	ツール呼び出し方式 prompt（自作・既定）/ native（function calling）
verbose	true	過程を全部表示（ツール引数・結果の全文。prompt モードは生出力も）。CLI/GUI とも既定 on。false で1行要約
allow_install	false	run_command でのパッケージ導入許可
auto_start	false	サーバー自動起動（既定は接続専用）
parallel	（なし）	自動起動時の並列スロット数（llama.cpp）
workdir	workspace	ツールの作業ディレクトリ
planning	false	着手前の計画
debug	false	LLM 呼び出しの所要時間・サイズや各ステップを stderr に出す

指示（システムプロンプト）は Markdown で分けて書く（Codex / Claude Code と同様）。 既定で ./AGENTS.md を読み込み、instructions_file でパス変更、無ければ組み込み既定を使う。 サンプルは AGENTS.md.example / agent.toml.example。

<!-- AGENTS.md -->
あなたは読み取り専用アシスタントです。まずファイルを読んでから判断してください。

ツールと安全性

利用可能なツール: read_file / write_file / edit_file / list_dir / grep / glob / run_command。 agent.toml の tools で絞り込める（省略＝全部、[]＝無し）。

• 検索（大規模コード対応）: grep は glob（種別絞り込み）・ignore_case・context（前後行）に対応。 ripgrep（rg）があれば自動で優先し、高速かつ .gitignore 尊重で検索する（無ければ純Python で代替し、 node_modules/.git/.venv 等は枝刈り）。rg を入れておくと巨大リポジトリでも実用的。
• サブエージェント探索 dispatch_agent: 読み取りツールがあるとき自動で使える。読み取り専用の子エージェントが 多数のファイルを調べて結論だけを返すので、本体の文脈を膨らませずに「どこに何があるか」を調査できる。

作業ディレクトリ:

• 既定で ./workspace（自動作成）に閉じ込められる。workdir = "." で現ディレクトリ（既存プロジェクト編集用）。
• 各実行は workspace/<日時>_<タイトル>/ に分離保存され、検討ごとに混ざらない（タイトルは最初のタスクから LLM が生成）。
• ファイルツールは workspace の外を拒否（..・絶対パス・シンボリックリンクをブロック）。
• run_command は workspace を作業ディレクトリとして実行する。ただしシェルは絶対パスや cd で外へ出られるため、 これは隔離ではない。信頼できないモデル/タスクはコンテナ/VM（できればネットワーク制限付き）で実行すること。
• パッケージ導入は既定でブロック（pip/uv/conda/npm/apt … を検出して拒否）。許可は allow_install = true。 導入する場合は uv pip install、恒久的に必要なら pyproject.toml に追加して uv sync。

機能とオプション

ツール呼び出し方式（tool_mode）

• prompt（既定）: ツール仕様をプロンプトに注入し、応答中の tool コードブロック（JSON）を解析する 自作方式。モデルの出力がそのまま見えるので過程を確認しやすく、コード生成もストリーミングされ、 ツール非対応モデルでも動く。形式はモデルの指示追従に依存。
• native: OpenAI の function calling。形式は正確だが、ツール呼び出しの中身は API 経由の構造データに なるため過程は見えにくい。mlx ではツール呼び出しが一括生成のためコード部分はストリーミングされない。

過程の表示（verbose）

verbose（既定 true、CLI/GUI 共通）で「何をしているか」を全部表示する: ツール呼び出しの全引数・ ツール結果の全文を出し、prompt モードでは生出力（ツール呼び出しの JSON も隠さない）を流す。 簡潔な1行要約に戻したいときは agent.toml で verbose = false。

Web GUI（local-automata-web）では、各ツールの呼び出し＋結果が折り畳みブロックになっており、 ● ツール名 の見出しをクリックすると後から畳める（既定は開いた状態）。

思考(thinking)モード

enable_thinking（既定 false）。サーバー側は local-automata-server --thinking / --no-thinking で切替。 mlx_lm.server は起動時に固定（リクエスト単位の上書き不可）、vLLM 等はリクエスト単位で反映。 MLX 変換モデルの一部はテンプレートが未対応で効かないことがある。

計画モード・固定ワークフロー

• planning = true … 着手前にタスクを分解する update_plan（チェックリスト）ツールを追加し、 「計画 → 実行 → 検証」の手順を促す。多段タスクの成功率が上がりやすい。
• workflow_file = "..." … 決まった手順を外部ファイルで渡す。拡張子で方式が決まる。
  • *.md … 助言型。手順をプロンプトに足すだけ（従うかは LLM 任せ）。
  • *.yaml … 確実型。手順を1ステップずつ順番に実行（順序・ツール制限・やり直しを管理）。

workflow_file = "workflow.yaml"   # 確実に手順を踏ませたいとき

書き方・GUI での試し方・注意点は 使い方ガイド: docs/workflows.md を参照。

長期メモリ

[memory] enabled = true で、セッションをまたいで記憶する remember / recall ツールが有効になる。 path をプロファイルごとに分ければキャラクター単位の記憶になる。

[memory]
enabled = true
path = ".coder/memory.json"

MCP サーバー

[mcp.servers.<name>] に command（ローカルプロセス＝stdio）か url（リモート＝Streamable HTTP）を書くと、 その MCP サーバーのツールが起動時に自動で取り込まれ、<name>_<ツール名> で使える（追加インストール不要）。

キー	対象	説明
command / args / env	stdio	起動コマンド・引数・環境変数
cwd	stdio	サーバープロセスの作業ディレクトリ（リポジトリルートでの起動が必須なサーバー向け）
url	Streamable HTTP	リモート MCP サーバーのエンドポイント
timeout	共通	このサーバーのツール呼び出しタイムアウト秒数。0/負で無制限。全体既定（mcp_call_timeout）を上書き

呼び出しタイムアウトの全体既定は runtime の mcp_call_timeout（既定 120 秒、0/負で無制限）で決める。 無制限でも進捗が分かるよう、サーバーが送る進捗通知（notifications/progress）はログに表示し、 タイムアウト・Ctrl-C のときはサーバーへキャンセル（notifications/cancelled）を伝える。

# 既定タイムアウト（120 秒）を無制限にしたい場合は runtime に書く
mcp_call_timeout = 0

[mcp.servers.fs]
command = "npx"
args = ["-y", "@modelcontextprotocol/server-filesystem", "/data"]

# リポジトリルートでの起動が必須なサーバー（cwd を指定）。
# 1 回の処理が長い場合は timeout = 0 で無制限にできる。
[mcp.servers.optimizer]
command = "julia"
args = ["-t", "auto", "--project=.", "main/server/mcp_server.jl"]
cwd = "/abs/path/to/Optimizer"
timeout = 0

# リモート MCP サーバー（Streamable HTTP）。url を書くと現行標準の
# Streamable HTTP トランスポートで接続する（エンドポイントは通常 /mcp）。
[mcp.servers.remote]
url = "http://localhost:3000/mcp"
# timeout = 0        # リモートの長時間ジョブを待ち切る場合

プロファイル

用途ごとに「指示（Markdown）＋ツール＋モデル・パラメータ」を1セットとして [profiles.<name>] に定義し、 --profile <name> または default_profile で切り替える。

default_profile = "coder"

[profiles.coder]
instructions_file = "AGENTS.md"
tools = ["read_file", "write_file", "edit_file", "list_dir", "run_command"]

[profiles.luna]            # キャラクターチャットの例
instructions_file = "characters/luna.md"
tools = []                 # ツールを使わない純粋な会話

uv run local-automata --profile luna

ローカルLLMサーバー

local-automata-server が mlx / mlx-vlm / llama.cpp を OpenAI 互換 API で起動する（応答可能になるまで待つ）。 --backend の既定は OS 自動判定で、macOS Apple Silicon → mlx-vlm（vision 対応）、他 → llama-cpp。 既定モデル Qwen3.6 はマルチモーダルなので、mac では何もせず画像・動画入力までそのまま動く。

uv run local-automata-server                                  # 既定（mac は vision 対応の mlx-vlm ＋ 既定モデル）
uv run local-automata-server --backend mlx                    # テキスト専用で軽くしたいとき（画像は不可）
uv run local-automata-server --backend llama-cpp --model /path/to/model.gguf
uv run local-automata-server --model model.gguf -- --ctx-size 8192 --jinja   # -- 以降はバックエンド固有引数

• --host / --port（既定 127.0.0.1:8080）、--thinking / --no-thinking。
• 並列処理: llama.cpp は --parallel N（continuous batching。スロット数だけ KV キャッシュを消費）。 mlx 系は逐次処理なので --instances N で連番ポートに N 個起動する（重みは N 倍のメモリ）。

画像・動画入力（vision）

mac の既定バックエンド mlx-vlm は vision 対応なので、画像・動画入力はそのまま使える （CLI の /img / /video、ブラウザ GUI の画像添付、Agent.run(..., images=/videos=) 共通）。 既定モデルの Qwen3.6 はマルチモーダルなので、1プロセスでテキストも画像も扱える。

テキスト専用の mlx / llama.cpp バックエンドは画像（image_url）を含むリクエストでエラーになる。 backend = "mlx" を選んだ場合や非 mac では、画像を使うなら mlx-vlm（または vision 対応サーバー）に切り替える。

• 動画: /video <パス> または Agent.run(..., videos=[...])。ffmpeg で動画から代表 フレーム（既定8枚、全体から均等サンプリング）を抜き出し、複数画像として送る（動画ネイティブ 入力ではなくフレーム画像化での代替）。ffmpeg が無い場合は導入を促すエラーになる。
• 生成画像をエージェント自身が確認（view_image）: run_command で作った図（matplotlib の コンター図など）は保存されるだけでモデルには見えない。view_image ツールを使うと、その画像を vision 入力として読み込み、見た目を確認してから次の処理に進める（読み取りツールがあるとき 自動で使える。vision モデル必要）。

# mac では既定が mlx-vlm なので明示不要。非 mac やテキスト既定から切り替える場合のみ:
uv run local-automata-server --backend mlx-vlm

既定の tool_mode = "prompt" は function calling 非対応の VLM でもそのまま動く（native を使いたいときだけ agent.toml で指定）。

自動振り分け（router）: テキストは軽い LLM、画像を含むときだけ別の VLM——のように モデルを使い分けたい場合は --backend router。テキスト LLM（mlx）と vision VLM（mlx-vlm）を 同時に起動し、単一のエンドポイントを公開する。受信リクエストに画像が含まれれば VLM、 無ければ LLM へ内部で自動転送する（クライアントは base_url を 1 つ指定するだけ。 2 つのプロセスを起動するためメモリは増える）。

uv run local-automata-server --backend router        # 既定はテキスト・画像とも Qwen3.6
# 使い分けるなら個別指定:
uv run local-automata-server --backend router \
  --model <テキスト用モデル> --vision-model <画像用モデル>
# 公開: http://127.0.0.1:8080/v1（agent.toml の base_url はこれ 1 つ）

• --model がテキスト用、--vision-model が画像用（env: CODER_MODEL / CODER_VISION_MODEL。既定はどちらも Qwen3.6）。
• 内部ではテキストを port+1、vision を port+2 で起動する（公開は --port、既定 8080）。

音声入力（voice）

ブラウザ GUI のマイクボタンで話した内容を、ローカルの mlx-whisper で文字起こしして 入力欄へ差し込む（Apple Silicon 専用、クラウド送信なし）。エージェントのコアはテキストを 受け取るだけで、音声は入力層（GUI）でテキストに変換される。

手順

1. 導入: mlx-whisper は既定の依存なので、Apple Silicon で uv sync（または uv add local-automata）すれば自動で入る（追加の extra は不要）。
2. 有効化: agent.toml（または [profiles.<name>] 配下）に書く。既定は無効で、有効なときだけ 🎤 が出る:

   [voice]
   enabled = true
   # model = "mlx-community/whisper-large-v3-mlx"   # 省略可（既定＝最高精度の full large-v3）
   # language = "ja"                                # 指定で精度・速度が安定（省略で自動判定）
   # correct = true                                 # 文字起こしを LLM で校正（漢字の誤変換を文脈で直す）
   

3. モデルの取得（次のいずれか。HF キャッシュ ~/.cache/huggingface/hub/ に保存、以降はオフライン可）:
   • 自動: 🎤 で一度録音・送信すれば初回にダウンロードされる（その回だけ時間がかかる）。
   • 事前取得: 本番前に落としておく。

     uv run huggingface-cli download mlx-community/whisper-large-v3-mlx
     

   • 取得＋動作確認（おすすめ）: 無音を1回流してダウンロード＋ロード＋動作を確認。

     uv run python -c "from local_automata.stt import Transcriber; print('OK:', repr(Transcriber().transcribe_pcm(b'\x00'*32000)))"
     

4. 使う: uv run local-automata-web → 🎤 を押して話す → 止めると文字起こしが入力欄に入る。

モデルの選び方

モデル（model）	精度	サイズ目安	用途
mlx-community/whisper-large-v3-mlx（既定）	★最高	数 GB	精度優先（日本語含む多言語で turbo よりわずかに上）
mlx-community/whisper-large-v3-turbo	ほぼ同等	約 0.8GB	速度・省メモリ優先
mlx-community/whisper-large-v3-mlx-8bit	やや低下	中	さらに省メモリ
kaiinui/kotoba-whisper-v2.0-mlx	日本語◎	中	日本語特化・高速（large-v3 の約6倍速）。language = "ja" 推奨

変更したら、そのモデル名で huggingface-cli download しておくと初回待ちが無くなる。

漢字の誤変換を減らす（correct = true）

日本語の音声認識では同音異義語・漢字の誤変換がどうしても起きる。[voice] correct = true にすると、 文字起こし結果を LLM で校正してから入力欄へ入れる（文脈から自然になるよう最小限だけ直す）。 1回 LLM 呼び出しが増えるぶん少し遅くなるが、漢字の精度が上がる。失敗時は素の文字起こしを使う。 日本語特化の kotoba-whisper に変える（誤りを元から減らす）のと併用も可。

補足

• 仕組み: ブラウザが録音を 16kHz モノラル PCM に変換して送り、サーバーが mlx-whisper で 文字起こしして返す（GUI 経路は ffmpeg 不要）。ライブラリから音声ファイルを直接渡す場合は Transcriber.transcribe_file("clip.wav")（任意フォーマット可・要 ffmpeg。ライブラリとして使う）。
• マイクは https か localhost でのみ使える（ブラウザの制約）。既定の 127.0.0.1 ならそのまま使える。
• ダウンロード自体に ffmpeg は不要（HF からの取得は huggingface_hub 経由）。

接続のしかた

local-automata は起動時に base_url のサーバーが応答するか判定する。

• 既定（接続専用）: 既存サーバーに相乗りする（停止しない）。無ければ起動方法を案内して終了。
• auto_start = true: サーバーが無ければ自動起動し、終了時に停止する。

複数エージェントの同時実行: 共有サーバーを1台だけ起動し（llama.cpp は --parallel をエージェント数以上に）、 各ターミナルで別プロファイルを接続する。接続専用が既定なので相乗りが安全。

uv run local-automata-server --backend llama-cpp --model model.gguf --parallel 2
uv run local-automata --profile analyzer   # ターミナル1
uv run local-automata --profile luna       # ターミナル2

サンプル

examples/ に用途別のエージェント一式がある。サーバーを起動した上で、各ディレクトリで実行する。

ディレクトリ	内容
examples/character/	会話のみ（ツールなし）＋長期メモリの「ルナ」
examples/coder/	力学（放物運動など）の数値計算コードを作成 → 実行 → 検証
examples/optimizer/	作成 → 実行 → 評価 → やり直しを固定ワークフローで反復
examples/ml/	CSV から前処理 → 学習 → 評価 → 保存

cd examples/coder
uv run local-automata                       # CLI（agent.toml を自動読込。生成物は ./workspace/）
uv run local-automata-web                    # 同じ設定をブラウザ GUI で
uv run python run_physics.py             # ライブラリとして埋め込む例

詳細は各ディレクトリの README.md を参照。

ライブラリとして使う

PyPI から uv でインストールして組み込める（自分のプロジェクトの依存に追加する）。

uv add local-automata                # コア（mac は mlx、PDF 抽出の pypdf も自動で入る）
uv add 'local-automata[science]'     # 科学計算の例も動かす（numpy/scipy/pandas/...）
# 音声入力（mlx-whisper）は既定の依存。Apple Silicon なら追加指定なしで入る

from local_automata import Agent, Config, LLMClient, build_registry

config = Config.load()  # 既定。agent.toml の設定を使うなら Config.load(load_agent_config(...).runtime)
agent = Agent(LLMClient(config), build_registry(), config)  # 既定で workspace/ を作る
print(agent.run("..."))

設定ファイル（AGENTS.md / agent.toml）から組み立てるなら load_agent_config を使う（examples/ 参照）。 公開 API は local_automata.__all__ を参照。

入力アダプタ（音声・画像・動画）と高度ツール

エージェントのコアはテキスト入力。音声・画像・動画は「入力層」でテキスト/画像に変換してから Agent.run(...) に渡す（外部ライブラリは独自 UI で集めた入力をこの形にするだけ）。

from local_automata import (
    Agent, Config, LLMClient, build_registry, attach_agentic_tools, Transcriber,
)
from local_automata.tools import Workspace

config = Config.load()
ws = Workspace.new_session("workspace")            # 生成物の保存先（任意）
agent = Agent(LLMClient(config), build_registry(None, ws), config)
attach_agentic_tools(agent, ws)                    # view_image / dispatch_agent を有効化（任意）

# 音声入力: 録音をファイルにして渡すだけ（mlx-whisper が ffmpeg でデコード。mlx-whisper は既定で入る）。
text = Transcriber(language="ja").transcribe_file("clip.wav")  # or transcribe_pcm(16k mono f32)
agent.run(text)

# 画像・動画: パス/URL/データURI をそのまま渡す（vision モデル＝mlx-vlm 必要）
agent.run("この図を説明して", images=["plot.png"])
agent.run("何が起きてる?", videos=["clip.mp4"])    # ffmpeg で代表フレーム抽出 → 複数画像

• Transcriber … 音声→テキスト（transcribe_file(path) が手軽。任意フォーマット可、要 ffmpeg）。 GUI を介さずライブラリ単体で音声を使うときの入口。変換後の文字列を agent.run(text) に渡す。
• attach_agentic_tools(agent, ws) … view_image（生成画像の視認）と dispatch_agent （サブエージェント探索）を後付け登録。CLI/GUI は自動で付くが、手で Agent を組むときに 1 行で同じに。
• build_user_content / video_to_image_urls / to_image_url … 入力を OpenAI 互換 content に 変換する低レベル関数（自前で組み立てたいとき）。

mlx は環境マーカーで判定され、Apple Silicon のときだけ自動で入る（uv add local-automata・ uv sync 共通。他OSでは自動スキップ）。非mac は llama.cpp（llama-server バイナリ）を別途用意する。 開発環境（uv sync）はさらに科学計算ライブラリと pytest が全OSで入る。Python は .python-version（3.11）。

構成とテスト

AGENTS.md.example    システムプロンプト（指示 Markdown）のサンプル
agent.toml.example   設定（TOML）のサンプル
backend/local_automata/  Python パッケージ本体（PyPI に公開される）
  config.py        実行時設定（agent.toml ＋ 既定値）
  settings.py      指示 Markdown と設定 TOML の読み込み
  images.py        画像・動画・文書入力（パス/URL → content パーツ、動画フレーム抽出）
  stt.py           音声→テキスト（mlx-whisper）と LLM 校正
  tokenizer.py     トークン数の計測（コンテキスト圧縮の判定用）
  agent.py         エージェントループ（ツール・刈り取り・圧縮）
  llm.py           OpenAI 互換クライアント
  workflow.py      オーケストレーション型ワークフロー（YAML）
  cli.py           CLI / 対話モード（local-automata）
  webapp.py        Web GUI サーバー（local-automata-web）
  frontend/        Web GUI の静的ファイル（index.html / style.css / app.js ＋ vendor/katex/。同梱）
  mcp_client.py    MCP サーバー連携（ツール自動取り込み）
  server.py        ローカルLLMサーバーのランチャー
  router.py        テキスト/画像でモデルを振り分けるルーター
  server_cli.py    サーバー起動 CLI（local-automata-server）
  spinner.py       進捗表示（生成中／実行中）
  tools/           ツール群（filesystem / shell / memory / plan / workspace / subagent / vision）
tests/             pytest テスト一式
scripts/           開発用スクリプト（MCP 連携の結合確認など）

uv run pytest

MCP 連携（cwd / タイムアウト / 進捗 / キャンセル）を実 MCP サーバー込みで一括確認するには：

bash scripts/verify_mcp.sh   # uv sync → pytest → 実サーバー結合確認