fullseye

Fullseye を AI アシスタントの RAG にする手順(Claude Code 向け)

Fullseye の推奨運用は「AI コーディングアシスタントの知識ベース(RAG)として使う」こと。 全 op が機械可読な Markdown ノート(docs/ops、単一真実源)を持つため、追加のベクタ DB や 埋め込みサービスは不要です。grep できる環境ならそれがそのまま RAG になります。

3 段階の導入方法を用意しています。Tier 0/1 は外部依存ゼロ(Fullseye リポジトリだけで完結)。

PyPI からの利用: pip install fullseye した環境では console script fullseye-rag が 使えます。checkout(clone / pip install -e .)なら docs/ops のフルコーパスを、wheel のみ なら同梱の OP_CATALOG.md(AI 向け全 op カタログ)をスキルにピン留めします(フルの per-op ノートが欲しくなったら repo を clone して再実行するだけ)。更新は py -3.11 tools/update_fullseye.py(dirty ツリー拒否・–ff-only・スキルはバックアップの上 更新・Studio 設定には触れない=環境をつぶさない設計)。

Tier 0: リポジトリを開くだけ(手順ゼロ)

Fullseye リポジトリのチェックアウトを Claude Code で開けば、docs/ops/INDEX.md と per-op ノートをそのまま検索・参照できます。コーパスはリポジトリ内容(wheel には同梱しない) なので、pip インストールのみの場合はリポジトリも clone してください。

docs/ops/2d/<category>/<op>.md   # 呼び出し形・型契約・HALCON 別名・文献・関連 op
docs/ops/3d/<category>/<op>.md
docs/ops/INDEX.md                # フォルダ階層 walk で自動生成の全体目次
docs/ops/2d/guides/<family>.md   # 13 ファミリの使い方ガイド(数式・図・正典引用)
docs/OP_INDEX.json               # レジストリの機械可読インデックス

Tier 1: スキルとして常駐させる(推奨・同梱インストーラー)

自分のプロジェクト側で作業しながら Fullseye を引きたい場合は、同梱のセットアップ スクリプトを 1 回実行します:

py -3.11 tools/setup_claude_rag.py              # インストール(再実行=更新)
py -3.11 tools/setup_claude_rag.py --uninstall  # 削除

同梱スキル skills/fullseye-ops が ~/.claude/skills/fullseye-ops へコピーされ、 SKILL.md の FULLSEYE_REPO = 行がこの checkout の絶対パスに自動で固定されます (AI がどのプロジェクトで作業していてもコーパスの場所が分かる)。コーパス (docs/ops)が見つからない checkout ではインストールを拒否します(fail-closed)。

以後、画像処理・幾何ビジョンの話題で Claude Code が自動的にこのスキルを起動し、 docs/ops を検索(retrieve)→ 型(sort)が繋がる op を選んで実装 → 同梱の worked example で 検証、という流れで動きます。スキル本文がそのまま「AI への使い方指示書」です。 手動で入れたい場合は skills/fullseye-ops を ~/.claude/skills/ へコピーするだけでも 動きます(パス固定が無い分、AI がリポジトリ位置を都度探します)。

Tier 2(任意): クラスタ化コーパス — 外部ツールでの発展形

ノート 1,947 枚をトピッククラスタに階層化し、各クラスタに LLM 要約を付けた 「ナビゲーション付きコーパス」も作れます。私たちは内部で RAPTOR フォークの corpus2skill (TF-IDF + k-means + LLM 要約)を使っていますが、これは任意の最適化であって 必須ではありません。要件は「docs/ops を入力に、クラスタごとの SKILL.md 階層を 出力する」ことだけなので、同等のツールなら何でも代替できます。

再取込(ノート更新後)の例 — 内部運用そのままの honest な記録として:

$env:RAPTOR_DIR="<path-to-raptor-checkout>"
py -3.11 raptor_corpus2skill.py --source <fullseye>/docs/ops --name fullseye_ops_corpus_v2 `
  --overwrite --max-depth 2 --max-clusters 6 --min-cluster-size 8   # 要 ANTHROPIC_API_KEY

注意: クラスタ化コーパスは取込時点のスナップショットです。docs/ops を更新したら 再取込しないと陳腐化します(Tier 0/1 は常に生ノートを読むため陳腐化しません)。

なぜこれが機能するか(設計上の根拠)

  1. md=単一真実源: ノートはレジストリから決定的に自動生成され、CI の drift テストで 「commit 済みノート == 現在のコードから生成したノート」を強制。AI が読む文書と 実際のコードが常に同じ版です(frontmatter の version + fingerprint)。
  2. 型(sort)契約: 各ノートが in:/out: と「型が繋がる関連 op」を持つので、AI は パイプラインを型検査しながら組めます。
  3. 検証可能: 全 op に ground-truth 付き worked example(examples/ / examples_3d/)があり、AI が自分の提案を実行して確かめられます。
  4. 表示まで一気通貫: Studio(py -3.11 studio.py)を開けば、AI が組んだ結果を 画像ウィンドウ・3D 表示として人間が同じ画面で検査できます(dev_open_window 等で スクリプトから複数窓の配置も可能)。
This site is open source. Improve this page.