Claude Code +
hzdb (Meta Quest VR)

# Node.js версия >= 18
node -v

# npm доступен
npm -v

# ADB установлен и доступен
adb version

# Claude Code (если используете Anthropic API)
claude --version

# Подключить Quest по USB и проверить ADB
adb devices
# Ожидаемый вывод: <serial>  device
# Если 'unauthorized' — на Quest подтвердите подключение

# Claude Code — основной вариант
npx -y @meta-quest/hzdb mcp install claude-code

# Другие поддерживаемые среды:
npx -y @meta-quest/hzdb mcp install claude-desktop
npx -y @meta-quest/hzdb mcp install cursor
npx -y @meta-quest/hzdb mcp install vscode
npx -y @meta-quest/hzdb mcp install vscode-insiders
npx -y @meta-quest/hzdb mcp install windsurf
npx -y @meta-quest/hzdb mcp install lm-studio   # если используете LM Studio + свою модель
npx -y @meta-quest/hzdb mcp install open-code    # OpenCode (open-source)

# Для project-level конфига (добавляет .mcp.json в текущую директорию)
npx -y @meta-quest/hzdb mcp install project

# Запуск MCP-сервера напрямую (для отладки или кастомной интеграции)
npx -y @meta-quest/hzdb mcp server

{
  "mcpServers": {
    "hzdb": {
      "command": "npx",
      "args": ["-y", "@meta-quest/hzdb", "mcp", "server"]
    }
  }
}

# На сервере с GPU: запустить vLLM
# Модель должна поддерживать tool calling — обязательное требование Claude Code
# Лучшие модели для агентных задач (2026): Qwen3 Coder, Kimi K2, Llama 3.1 70B Instruct

pip install vllm

# Запуск с поддержкой tool use (--enable-auto-tool-choice обязательно)
vllm serve Qwen/Qwen3-Coder-32B-Instruct-AWQ \
    --quantization awq \
    --dtype half \
    --enable-auto-tool-choice \
    --tool-call-parser hermes \
    --host 0.0.0.0 \
    --port 8000

# Для Llama-3.1 tool parser другой:
vllm serve meta-llama/Meta-Llama-3.1-70B-Instruct \
    --enable-auto-tool-choice \
    --tool-call-parser llama3_json \
    --host 0.0.0.0 \
    --port 8000

# На машине разработчика: указать на vLLM-сервер
# Замените IP на адрес вашего GPU-сервера в сети

export ANTHROPIC_BASE_URL="http://192.168.1.100:8000"
export ANTHROPIC_API_KEY="local-key"        # любая строка, vLLM не проверяет
export ANTHROPIC_MODEL="Qwen/Qwen3-Coder-32B-Instruct-AWQ"

# Запустить Claude Code — он пойдёт на ваш vLLM
claude

# Добавить в ~/.bashrc или ~/.zshrc для постоянного использования:
echo 'export ANTHROPIC_BASE_URL="http://192.168.1.100:8000"' >> ~/.zshrc
echo 'export ANTHROPIC_API_KEY="local-key"' >> ~/.zshrc
echo 'export ANTHROPIC_MODEL="Qwen/Qwen3-Coder-32B-Instruct-AWQ"' >> ~/.zshrc

# Собрать llama.cpp (или скачать бинарник с GitHub Releases)
git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp
cmake -B build -DGGML_CUDA=ON    # убрать флаг для CPU-only
cmake --build build --config Release -j

# Скачать GGUF-модель с tool support (важно для Claude Code!)
# Qwen3-Coder-14B Q4_K_M хорошо подходит для агентных задач
wget https://huggingface.co/bartowski/Qwen3-Coder-14B-Q4_K_M.gguf

# Запустить сервер — слушает 0.0.0.0 для доступа из сети
./build/bin/llama-server \
    -m Qwen3-Coder-14B-Q4_K_M.gguf \
    -ngl 40 \               # число слоёв на GPU (подобрать под VRAM)
    --host 0.0.0.0 \
    --port 8080 \
    --ctx-size 32768        # контекстное окно

# На машине разработчика:
export ANTHROPIC_BASE_URL="http://192.168.1.100:8080"
export ANTHROPIC_API_KEY="local"
export ANTHROPIC_MODEL="local-model"
claude

# Запустить LM Studio сервер (через приложение или CLI)
lms server start --port 1234

# Подключить Claude Code
export ANTHROPIC_BASE_URL="http://localhost:1234"
export ANTHROPIC_AUTH_TOKEN="lmstudio"

# Запустить Claude Code с конкретной моделью
claude --model "openai/qwen3-coder-14b"   # имя модели из LM Studio

# Установить LiteLLM
pip install litellm[proxy]

# Создать конфиг litellm_config.yaml
cat > litellm_config.yaml << 'EOF'
model_list:
  - model_name: claude-3-5-sonnet-20241022   # имя, которое ждёт Claude Code
    litellm_params:
      model: ollama/qwen3-coder:14b          # ваша модель в Ollama
      api_base: http://localhost:11434

  - model_name: claude-3-haiku-20240307      # маленькая модель (для фоновых задач)
    litellm_params:
      model: ollama/qwen3:7b
      api_base: http://localhost:11434
EOF

# Запустить прокси (порт 4000)
litellm --config litellm_config.yaml --port 4000

# Подключить Claude Code к прокси
export ANTHROPIC_BASE_URL="http://localhost:4000"
export ANTHROPIC_API_KEY="any-key"
claude

# Клонировать прокси
git clone https://github.com/fuergaosi233/claude-code-proxy
cd claude-code-proxy

# Установить зависимости
npm install   # или pip install -r requirements.txt для Python-версии

# Настроить .env
cat > .env << 'EOF'
OPENAI_API_KEY=local-key
OPENAI_BASE_URL=http://localhost:11434/v1    # ваш Ollama или vLLM (OpenAI API)
BIG_MODEL=qwen3-coder:32b                   # для сложных задач (Opus запросы)
SMALL_MODEL=qwen3:7b                        # для простых (Haiku запросы)
EOF

# Запустить прокси на порту 8080
npm start

# Подключить Claude Code
export ANTHROPIC_BASE_URL="http://localhost:8080"
export ANTHROPIC_API_KEY="any-key"
claude

[Unit]
Description=vLLM Coder Server for Claude Code
After=network.target

[Service]
Type=simple
User=ubuntu
WorkingDirectory=/home/ubuntu
Environment=CUDA_VISIBLE_DEVICES=0
ExecStart=/usr/local/bin/vllm serve Qwen/Qwen3-Coder-32B-Instruct-AWQ \
    --quantization awq \
    --dtype half \
    --enable-auto-tool-choice \
    --tool-call-parser hermes \
    --host 0.0.0.0 \
    --port 8000 \
    --max-model-len 32768
Restart=on-failure
RestartSec=10

[Install]
WantedBy=multi-user.target

sudo systemctl daemon-reload
sudo systemctl enable vllm-coder
sudo systemctl start vllm-coder
sudo systemctl status vllm-coder

# Логи:
journalctl -u vllm-coder -f

# Сжать контекст (сохраняет суть, удаляет историю)
/compact

# С инструкцией что сохранить:
/compact Focus on code changes and test results

# Полностью очистить контекст (новая задача)
/clear

# Переименовать сессию перед очисткой (чтобы найти потом)
/rename vr-debug-session-01
/clear

# Вернуться к сессии
/resume vr-debug-session-01

# Игнорировать build-артефакты
build/
dist/
*.apk
*.aab
*.ipa

# Unity-специфичные
Library/
Temp/
obj/
*.meta

# Зависимости
node_modules/
.gradle/
Packages/

# Логи и кэш
*.log
*.tmp
.DS_Store

# Большие ассеты
Assets/StreamingAssets/
Assets/Plugins/

# Плохо: вставить весь файл в промпт (мёртвый груз на весь сеанс)
"Вот мой код: [5000 строк вставлено]"

# Хорошо: @-референс загружается только когда нужен
"Проанализируй @Assets/Scripts/VRPlayerController.cs"
"Сравни @manifest.xml и @reference-manifest.xml"

# Для часто используемых руководств — отдельные .md файлы
"Следуй правилам из @docs/quest-perf-guidelines.md"

---
paths:
  - "Assets/Scripts/**/*.cs"
---
# Unity Quest Rules
- Не использовать Update() для логики, которую можно вынести в FixedUpdate()
- Все VR-взаимодействия через XRDirectInteractor
- Draw calls должны быть ниже 100 per frame
- Обязательно использовать Object Pooling для партиклей

# Quest VR Project

## Стек
- Unity 2022.3 LTS + Meta XR SDK 65+
- Target: Meta Quest 3 (Horizon OS 65+)
- Language: C#
- Build system: Gradle (Android)

## Команды
- Build: `./gradlew assembleDebug`
- Install on device: `hzdb app install build/*.apk`
- Logs: `hzdb log --filter Unity`
- Performance trace: `hzdb perf capture --duration 10`

## Директории
- `Assets/Scripts/` — основная логика
- `Assets/Prefabs/VR/` — VR-интерактивные объекты  
- `Assets/StreamingAssets/` — НЕ редактировать автоматически
- `Library/`, `Temp/` — игнорировать

## Правила
- Draw calls < 100, полигоны < 500k на кадр
- Все VR объекты через Meta Interaction SDK
- Тесты в `Assets/Tests/`
- Не редактировать сгенерированные файлы в `Assets/Plugins/`

## Compact instructions
При /compact сохранить: список изменённых файлов, результаты тестов, найденные баги

# 1. Сначала подключить по USB и включить Wi-Fi ADB
adb tcpip 5555

# 2. Узнать IP Quest (Settings → Wi-Fi → название сети → IP)
# или через adb
adb shell ip addr show wlan0

# 3. Отключить USB и подключиться по сети
adb connect 192.168.1.50:5555

# 4. Проверить через hzdb
hzdb device list