LLM Gamer Agent

LLM Gamer Agent は、Microsoft Windows 上で動作し、Gemini を活用してコンピュータ画面上の視覚情報を認識しながら、自律的にタスクを実行したりゲームをプレイしたりするエージェントシステムです。

Model Context Protocol (MCP) アーキテクチャを採用しており、エージェント自身が必要に応じて Python スクリプト（MCPサーバー）を作成・実行し、能力を無制限に拡張していく「Self-Coding」機能を備えています。

特徴

• Gemini Native: Google Gemini API (Pro/Flash) を使用し、高速な応答と強力なマルチモーダル処理を実現。Native Function Calling により、安定したツール実行が可能です。
• 視覚的認識 (Vision): 画面のスクリーンショットを毎ターン取得・解析し、リアルタイムで状況を把握します。
• 自律的なツール作成 (Self-Coding): タスク達成のために必要なツール（Pythonコード）をエージェント自身が生成し、即座に実行環境にデプロイして使用します。
• マルチエージェントパイプライン: 役割分担された専門エージェントが連携して動作し、複雑なタスクに対応します。
• リアルタイムダッシュボード (Live GUI): エージェントの視界、思考、記憶、ツール実行ログをWebブラウザ上でリアルタイムに監視できるモダンなGUIを提供します。
• 永続的な記憶 (Memory): 重要な情報をキー・バリュー形式で記憶し、エージェント間で共有します。シンプルな構造で柔軟な情報保持が可能です。
• 中断と再開 (Resumability): いつでもエージェントを停止でき、JSON形式のチェックポイントからシームレスに再開可能です。

アーキテクチャ

マルチエージェントパイプライン

各ターンにおいて、以下の順序でエージェントが実行されます。

graph LR
    A[Screenshot] --> B(MemorySaver)
    B --> C(ResourceCleaner)
    C --> D(Operator)
    D --> E{Tool Request?}
    E -- Yes --> F(ToolCreator)
    E -- No --> G[Checkpoint]
    F --> G

記憶管理 (Memory)

メモリシステムはシンプル化され、カテゴリ区分を排しました。すべてのエージェントが共通の記憶領域にアクセスします。 情報は Title: Content の形式で保存され、タスクの進捗、ゲームのルール、重要な座標などを保持します。

ツールシステム (MCP Manager)

システムは Core (Virtual) Tools と User Tools に分かれています。

1. Core Tools (Virtual Servers):

   • memory_store: 記憶の保存・更新 (set_memory)
   • system_cleaner: リソースの一括削除 (cleanup_resources)
   • tool_factory: Pythonスクリプトの作成・編集・読込 (create_mcp_server, edit_mcp_server, etc.)

2. User Tools (Workspace Servers):

   • エージェントが作成したPythonスクリプト。
   • workspace/ ディレクトリに保存され、動的にロードされます。
   • Operator のみがこれらを使用できます。

動作環境

• OS: Windows 10/11
• Python: 3.10 以上
• LLM: Google Gemini API Key または Anthropic Claude API Key

インストール

1. プロジェクトのルートディレクトリに移動します。

2. 仮想環境を作成し、有効化することを推奨します。

   python -m venv .venv
   .venv\Scripts\activate
   

3. 依存ライブラリをインストールします。

   pip install -r requirements.txt
   

4. 環境変数を設定します。 .env.example をコピーして .env という名前のファイルを作成し、APIキーを設定してください。

   Gemini を使用する場合:

   LLM_PROVIDER=gemini
   GEMINI_API_KEY=your_gemini_api_key_here
   GEMINI_MODEL=gemini-3-pro-preview
   AI_LANGUAGE=Japanese
   

   Claude を使用する場合:

   LLM_PROVIDER=claude
   CLAUDE_API_KEY=your_anthropic_api_key_here
   CLAUDE_MODEL=claude-opus-4-5-20251101
   AI_LANGUAGE=Japanese
   

使い方

エージェントの起動

以下のバッチファイルを実行するだけで、エージェントとダッシュボードが起動します。

./run.bat

または、Pythonコマンドで直接起動：

python agent.py

※ 過去の実行履歴が見つかった場合、ダッシュボード上で「再開 (Resume)」するか「新規開始 (Start Fresh)」するかを選択できます（またはコマンドライン引数 --resume で強制再開）。

ダッシュボードへのアクセス

起動後、Webブラウザで以下のURLにアクセスしてください。

URL: http://localhost:15000

• Live Vision: エージェントが見ている現在の画面。
• Active Memories: 現在保持している記憶の一覧。
• Cognitive Stream: 各エージェントの思考プロセス (Thought) をリアルタイム表示。
• Tool Activity: ツールの実行履歴と結果。
• User Input: エージェントへの指示出しが可能。

ディレクトリ構成

llmgamer/
├── agent.py            # メインパイプライン制御
├── agent_state.py      # エージェントの状態・履歴管理
├── mcp_manager.py      # MCPサーバー管理 (Virtual & User)
├── memory_manager.py   # シンプルなKey-Valueメモリ管理
├── llm_client.py       # Gemini API クライアント
├── prompts.py          # システムプロンプト定義
├── dashboard.py        # Webダッシュボード (FastAPI)
├── config.py           # 設定
├── workspace/          # 生成されたツール (MCPサーバー) が保存される場所
└── history/            # チェックポイント保存先

ライセンス

MIT License