コロッケそばAgentが名古屋の猛暑からあなたを守る機能仕様

名古屋市の気温を自律監視し、ロボホンと LINE を通じてユーザーへ通知する見守り AI エージェントの機能仕様書です。ローカル LLM（Ollama+Google Gema4:26b）& Hermes Agentを中核に、Human-in-the-Loop / Human-on-the-Loop による人間の関与と、エージェント自身による自己進化（skill 自動生成）を組み合わせた構成になっています。

Transcript

1. コロッケそば 名古屋の猛暑対応Agent 機能仕様書 名古屋市の気温を自律監視し、ロボホンと LINE を通じてユーザーへ通知する見守り AI エージェントの機能 仕様書です。ローカル LLM （Ollama ）を中核に、Human-in-the-Loop / Human-on-the-Loop による人間の関 与と、エージェント自身による自己進化（skill 自動生成）を組み合わせた構成になっています。 1. システム全体構成 通知先 人間（ダッシュボード） 知識ファイル ローカル LLM （Ollama ） Hermes Agent （Python ） 外部データソース Open-Meteo API 名古屋市の気温・湿度 自律監視ループ 既定60 分間隔 ツール群 fetch / check / notify / graph skills 管理 読み込み・保存 判断エンジン gemma4:26b soul.md 人格定義 skills/*.md 通知ノウハウ Web ダッシュボード SSE ライブ表示 承認・編集・却下 ロボホン LINE 2. LLM がやっていること ローカル LLM （Ollama 上の gemma4:26b-a4b-it-q4_K_M ）は、Hermes Agent の「判断する脳」として機能 します。Python コードは LLM にツールを提供するだけで、いつどのツールをどんな引数で呼ぶか、ユーザー へ何をどう伝えるかはすべて LLM が決定します。 LLM が担う具体的な判断は次のとおりです。気温データを取得すべきか、前回との変化に意味があるか、ユ ーザーに通知する価値があるか、通知するなら緊急度は alert か info か、グラフを見せるべきか、といっ た一連の意思決定を行います。さらに、通知メッセージの文面そのものを、人格定義（soul.md ）と蓄積され たノウハウ（skills/ ）に従って日本語で生成します。 1 / 9
2. ツール群 ローカル LLM Hermes Agent ツール群 ローカル LLM Hermes Agent 通知すべきか自分で判断 学ぶことがあれば skill 更新を返答に含める soul.md + skills/ + 行動手順を渡す fetch_weather を呼ぶ 気温・湿度データ check_alert を呼ぶ 前回との差分・閾値判定 notify （level と message を生成） 送信結果＋人間の反応 最終返答（update_skill タグ） LLM のもう一つの重要な役割は自己改善です。通知ツールの戻り値には、人間が文面を編集したか （was_edited ） 、却下したか（hitl_b ）といった結果が含まれます。LLM はこの結果を読み取り、学ぶべき 点があれば自分の言葉で skill ファイルの内容を書き、最終返答の末尾に <update_skill filename='...'> タグとして出力します。 3. Hermes Agent がやっていること Hermes Agent （Python 本体）は、LLM が判断を下すための「身体」と「環境」を提供します。LLM が抽象 的な意思決定を担うのに対し、Agent は外部システムとの実際のやり取り、状態管理、永続化、人間とのイ ンターフェースといった具体的な処理を引き受けます。 Agent の責務は大きく次の領域に分かれます。第一に外部 I/O で、Open-Meteo API からの気象データ取得、 ロボホンと LINE への通知送信、matplotlib によるグラフ描画を行います。第二に自律ループの維持で、既定 60 分間隔で監視サイクルを回し続けます。第三に知識ファイルの管理で、soul.md と skills/ の読み込み、お よび LLM が生成した skill 更新内容の保存を行います。第四に可視化で、Web ダッシュボードを内蔵 HTTP サ ーバーと SSE で配信し、エージェントの内部状態をリアルタイムにカンバン形式（運用状況の可視化）で見 せます。 2 / 9
3. Hermes Agent の責務 外部 I/O API ・通知・グラフ 自律ループ 60 分間隔の監視 知識管理 soul / skills 読み書き 可視化 カンバン・ログ・通知履歴 永続化 気象履歴 JSON ・ログ Agent は LLM の判断に踏み込みません。たとえば「気温が上がったから通知する」という判断は一切せず、 LLM が notify を呼んだときに初めて送信処理を実行します。この責務分離により、エージェントの振る舞 いを変えたいときはコードではなく soul.md や skills/ を編集すればよい構造になっています。 4. Human-in-the-Loop の効果 Human-in-the-Loop （HiTL ）は、人間がエージェントの意思決定ループの内部に入り、重要な行為の前に承 認・編集・却下を行う仕組みです。本システムでは 3 つの介入ポイントが用意されています。 3 / 9
4. 承認 却下 承認 / 編集して送信 却下 check_alert 気温変化を検出 Point A アラート送信の承認 Point B 発話メッセージの確認・編 集 ロボホン・LINE 送信 スキップ キャンセル Point C 待機ループ割り込み 今すぐチェック / 間隔変更 介入ポイント A は、緊急度の高い alert レベルの通知を送る前に人間の承認を求めます。誤った警報や過剰 な警告が送られるのを防ぎます。介入ポイント B は、LLM が生成した発話メッセージそのものを人間が確認 し、必要なら文面を直接編集してから送信します。ロボホンが口にする言葉の最終的な品質を人間が保証で きます。介入ポイント C は待機中のループへの割り込みで、人間が任意のタイミングで「今すぐチェック」 を実行したり監視間隔を変更したりできます。 HiTL の効果は、安全性と品質保証にあります。エージェントが自律的に判断した内容を、実害が出る前に人 間が止められること、そして人間の編集がそのまま skill 学習の教師データになることが本質的な価値です。 タイムアウト（120 秒）を設けてあるため、人間が不在でもシステムは停止せず自動承認で前進します。 4 / 9
5. 5. Human-on-the-Loop の効果 Human-on-the-Loop （HoTL ）は、人間がループの外側からエージェント全体の動作を俯瞰的に監視し、必要 に応じて介入する関与のかたちです。本システムでは Web ダッシュボードがこの役割を担います。 SSE ライブ配信 必要なら介入 Web ダッシュボード（人間が俯瞰） カンバン 各タスクの状態 ログ 動作の流れ 通知履歴 送信内容 気温ゲージ 現在の状況 エージェントの自律ループ 気象取得 変化判定 メッセージ生成 送信 skill 学習 ダッシュボードは SSE （Server-Sent Events ）でエージェントの内部状態をリアルタイム配信します。人間は 各タスク（fetch / check / notify / graph / skill / save / wait ）がいまどの段階にあるかをカンバンで一目で把 握でき、ログ・通知履歴・気温ゲージから全体の健全性を継続的に監視できます。 HoTL の効果は、常時監視と即応性にあります。HiTL が「個々の行為の承認」であるのに対し、HoTL は「シ ステム全体が正しく動いているかの監視」です。人間はすべての判断に逐一関与する必要はなく、ダッシュ ボードを眺めながら異常を察知したときだけ介入ポイント C などを通じて関与すればよい。これにより、自 律性と人間の制御を両立させ、人間の負担を抑えながら安全な運用を実現します。本システムでは、承認ボ タンを押す行為（HiTL ）を、エージェント全体の動作を俯瞰しながら行える（HoTL ）構造になっており、両 者が一体として機能します。 6. soul.md の効果 soul.md は、ロボホンの「人格・キャラクター」を定義するファイルです。何を伝えるか（skills/ ）とは独立 に、どんな存在として話すかを規定します。 5 / 9
6. 定義内容 名前・一人称 口調・語尾 感情表現 禁止事項 敬語・専門用語 soul.md 人格定義 生成される メッセージの性格 soul.md は初回起動時に、既存の RoBoHoN_SpeechRules.md を元に自動生成されます。子どもっぽく明るい 口調、一人称「ぼく」 、語尾「〜だよ！」 、率直な感情表現といったキャラクター設定が記述されます。 soul.md の効果は、一貫した人格の維持にあります。LLM は毎回の通知メッセージ生成時に soul.md を参照 するため、気温が何度であろうと、どんな skill を学習しようと、ロボホンらしい話し方が崩れません。skills/ が経験を通じて変化していく可変の知識であるのに対し、soul.md は人格の基盤として安定的に振る舞いを 支えます。人間が手動で編集することもでき、キャラクターの方向性を直接コントロールできます。 7. Hermes Agent が自律的に skill を作成する効果 本システムの最大の特徴は、エージェントが経験から学び、自分のノウハウ（skill ファイル）を自律的に作 成・更新していく点です。skill は Python コードではなく、人間が読める普通の Markdown テキストとして skills/ ディレクトリに蓄積されます。 6 / 9
7. あり なし 学習が次の判断を改善 notify 実行 ツール戻り値 was_edited / hitl_b など LLM が判断 学ぶことがあるか 最終返答に update_skill タグ Agent が skills/ に保存 次サイクルで system_prompt に反映 何もしない 学習のトリガーは HiTL の結果です。人間が通知文を編集した場合、LLM は元の文と編集後の文を比較して 「何が改善されたか」を学びます。却下された場合は「避けるべきパターン」として記録します。LLM はテ ーマごとに適切なファイル名（alert-message.md 、tone-correction.md など）を自分で決め、その内容 7 / 9
8. を <update_skill filename='...'> タグで出力します。Agent はタグを抽出して skills/ に保存するだ けです。 この自律 skill 作成の効果は、継続的な品質向上と透明性にあります。第一に、人間のフィードバックが次回 以降の通知に自動的に反映されるため、使うほどロボホンの通知が洗練されていきます。第二に、学習結果 が Markdown という人間可読な形式で残るため、エージェントが「何を学んだか」を人間がいつでも読んで 確認・修正できます。学習がブラックボックスにならず、人間とエージェントが同じノウハウファイルを共 有する協調的な進化が実現します。 skills/ ディレクトリ overview.md 目次・基準 alert-message.md tone-correction.md hot-weather.md ... 必要に応じ増加 8. まとめ：各要素の関係 8 / 9
9. ツール提供 人格 ノウハウ 通知 教師データ 監視 自己更新 LLM 判断・文面生成・自己反省 Hermes Agent 外部 I/O ・ループ・知識管 理 Human-in-the-Loop 承認・編集・却下 Human-on-the-Loop 俯瞰監視 soul.md 安定した人格 skills/ 進化する知識 Hermes Weather Agent は、LLM の自律的判断、人間による二段階の関与（in / on the loop ） 、人格 （soul.md ）と知識（skills/ ）の分離、そして経験からの自己進化を組み合わせることで、自律性・安全性・ 継続的改善を同時に成立させたエージェントです。 9 / 9