🧠 コードは変わるのに、Wikiの説明は変わらない。そんな「ドキュメントの陳腐化」を自動で検出し、自己修正するメモリの仕組みが登場しました。 タイトル: Building Self-Correcting Memory in OpenWiki URL: OpenWikiは、Wikiの各主張をソースコードのエビデンスと紐付け、コード変更を起点に陳腐化を検出・修正する「自己修正メモリ」を導入しました。注目ポイントは次の3つです。 📎 クレーム単位のエビデンス紐付け Wikiの主張ひとつひとつを「statement（内容）」と「evidence（裏付けとなるコード箇所）」のペアとして明示的に記録します。主張と根拠が常にセットで管理される点が特徴です。 🔍 決定的な陳腐化検出 エビデンスとして参照したソースのバージョンと現在のバージョンを比較し、差分があればモデル呼び出しなしでクレームを「陳腐化」とフラグ付けします。陳腐化は誤りではなく「再確認が必要な状態」として扱われます。 📈 実証された自己修正効果 2,000件のクレームを評価したところ、陳腐化クレームは80件から9件へ約89%削減、幻覚的なクレームは15件から0件に完全解消しました。あるチェックポイントでは陳腐化率が17%から次の更新で0%まで回復しています。 「何を信じていて、なぜ信じているのか」を語れるメモリシステムへ。忘れることを削除ではなく信頼性の再評価として捉え直す発想が印象的です。 #AIエージェント# #ナレッジ管理#

AIエージェントの回答を「検証可能で説明できる事実」に根拠づける——ナレッジグラフ＋GraphRAG＋エージェントのフルスタックをまるごとオープンソースで提供する基盤です🕸️ タイトル: trustgraph-ai/trustgraph URL: 🕸️ 概要 AIエージェントのためのオープンソースのセマンティック・デプロイメント基盤です。コアは「コンテキストグラフ」（ドメイン知識を構造化しクエリ可能にした表現）。コンテキストグラフ・メモリ・検索・オーケストレーション・推論を、決定論的なエージェント向けにフルスタックで提供します。 ❓ 解決する課題 LLM単体では、なぜその答えになったのかを辿りにくく、ハルシネーションのリスクもあります。 ・エージェントの回答を、検証可能で説明可能な事実に根拠づけるのが難しい ・TrustGraphはナレッジグラフ構築とGraphRAGを組み合わせ、意味的に豊かで検証可能なコンテキストにアクセスできるようにします ・しかも主権的に管理できるプライベート環境で実現します 💡 主な特徴 ・マルチモデルDB（表・KV・ドキュメント・グラフ・ベクトル）とマルチモーダル対応、エンティティ/関係の自動抽出 ・DocumentRAG・GraphRAG・OntologyRAGのパイプラインと、3D GraphVizによる可視化 ・単一/マルチエージェント、ReAct・Plan-then-Execute・Supervisorパターン、MCP統合 ・Context Cores：スキーマ・グラフ・埋め込み・エビデンス・検索ポリシーを束ね、コンテキストをコードのようにバージョン管理 🌍 技術スタック / 使い方 ストレージはCassandra・Qdrant・Garage、メッセージングはPulsar等、LLMはAnthropic/OpenAI/Google等＋ローカル推論（vLLM/Ollama等）に対応。npx @trustgraph/configで構成し、ポート8888のUIから利用できます。Apache 2.0ライセンスです。 #GraphRAG# #ナレッジグラフ#

「AI時代に生き残る3種類のソフトウェア企業」 1. なぜレガシーSaaSは解体（アンバンドル）されるのか？ 従来のSaaSの正体は「データベース ＋ UI（画面） ＋ 権限管理」に過ぎません。 * 「画面」のためのツールからの脱却: これまでのSaaSは、人間がデータを閲覧し、フォームに入力するために「リッチなUI」を提供してきました。しかし、AIエージェントがAPIを直接叩き、APIがないレガシーなサイトでもブラウザを自律操作（ブラウザ・オートメーション）できるようになると、人間向けにデザインされた複雑な画面は不要になります。 * インテグレーションの消滅: ナレッジワーカーの一日の大半は、Salesforce、Jira、Zendesk、HubSpotなどの間を行き来し、データを手動で移し替える作業に消えています。AIエージェントがバックグラウンドで24時間稼働し、これらのプロセスを自動でループ処理するようになれば、既存のUIベースのSaaSは「単なるデータベース（データの置き場）」へと退化します。 2. 生き残る「3種類のソフトウェア企業」 このAI移行期を生き残れるソフトウェア企業は以下の3カテゴリーのみであると断言しています。 1. Foundation Models OpenAIやAnthropicなど。ただし、モデル間の性能差は縮まり、過酷な価格破壊とコモディティ化が進む「薄利多売のインフラ」になる。 2. Systems of Record Salesforce、Workday、Veevaなど、業界の「マスターデータ」を物理的に保持している企業。ただし、彼らも「UI」としての価値は失い、AIエージェントからAPI経由でアクセスされるだけの存在になる。 3. Horizontal Agent Platform / Agent OS（実行・統合レイヤー） ユーザーと接する「唯一のフロントエンド」であり、背後であらゆるモデルやツール、API、コード実行環境をオーケストレートする新時代のオペレーティングシステム。

便利だけど知られていないGemini APIの機能 🔎 RAGを自前で構築する前に、マネージドで試してみませんか？ Geminiの「ファイル検索（File Search）」は、ファイルをアップロードするだけでチャンク化・埋め込み・検索まで全部やってくれるマネージドRAGです。自前でベクトルDBを立てる必要がありません。 📌 タイトル：ファイル検索（File Search） 🔗 URL： 🧩 概要 RAG（検索拡張生成）を構築するには、通常はドキュメントのチャンク化、埋め込みモデルの選定、ベクトルDBの構築・運用が必要です。File Searchはその全てをGoogle側が管理。ファイルをアップロードするだけで、Geminiがそのファイル内の関連箇所を検索し、回答に利用します。 🛠 使い方 ファイルをFiles APIでアップロードし、File Searchツールを有効にしてリクエストを送るだけ。Geminiが質問に関連するチャンクを自動で検索し、回答に組み込みます。PDF、テキスト、コードなど様々な形式に対応。複数ファイルをまとめて検索させることも可能です。 🏗 本番システムへの組み込み方 ・社内ドキュメントQ&A：規約集、マニュアル、議事録をアップして、社員がチャットで質問できるシステムに。ベクトルDB不要で即構築。 ・カスタマーサポート：製品ドキュメントをアップし、顧客の質問に対して正確な情報を自動で返す。 ・法務/コンプライアンス：契約書や法令文書をアップし、条項に関する質問に回答。出典の特定も容易。 ・技術文書検索：APIドキュメントや設計書を検索して、開発者の質問に即答するアシスタント。 💡 ユースケース 📚 社内ナレッジベースのQ&Aシステム 🎧 製品ドキュメントに基づくサポートbot ⚖️ 法務文書の条項検索・解釈 🧑‍💻 技術文書に基づく開発者アシスタント ⚠️ 注意点 マネージドのためチャンク化戦略やembeddingモデルのカスタマイズは限定的です。精度を細かくチューニングしたい場合は自前RAGの方が柔軟。また、ファイルサイズや数に制限があるため、大規模なドキュメント群には事前に制限を確認してください。 ✨ 「RAGを試したいけどインフラ構築が重い」という声に応える機能です。まずは小さなドキュメントセットでFile Searchを試して、マネージドの手軽さを体感してみてください。 #Gemini# #LLM#

# AIエージェントをエンタープライズシステムに組み込む意思決定ポイント # 従業員向け vs 顧客向け｜Employee-facing vs Customer-facing 🎯 ポイント AIエージェントを「社内向け」と「顧客向け」で同じ設計にしていませんか？ 利用者が従業員か顧客かで、信頼モデル・データ境界・ガードレール強度・障害影響がまるで別物になります。この分岐を初期に間違えると、顧客向けに甘い設計を適用して情報漏洩を招くか、従業員向けに過剰制約を課して生産性を潰すか、どちらかに必ず陥ります🔑 📋 概要 エージェントの利用者が「雇用契約・NDAで拘束された社内従業員」か「敵対的入力すら想定すべき外部顧客」かは、アーキテクチャの根本を左右する最初の分岐点です。従業員向けなら入力をある程度信頼でき、社内IdP（Okta / Entra ID）のSSOで認証を統一し、操作の失敗も「手戻り」で済むケースが大半です。一方、顧客向けではジェイルブレイク・間接インジェクションを前提に防御設計が必要で、出力がブランドイメージや法的責任に直結します。テナントごとのデータ隔離も必須で、認証基盤もCIAM（Auth0等）で匿名アクセスまで考慮する必要があります。規模も桁違い — 従業員数千〜数万に対し、顧客は数万〜数百万、24/365のスパイク耐性が求められます📊 🔍 意思決定のポイント 判断の軸は「利用者の信頼度」と「障害時の影響範囲」です。 利用者が雇用関係のある従業員のみ → 従業員向け設計でOK 外部顧客が含まれる → 顧客向け設計が必須 両方が含まれる → 別プレーンとして設計し、データ経路を分離 重要なのは「共有できるもの」と「分離すべきもの」の見極めです。オーケストレーション基盤やモデルゲートウェイ（AI Gateway）は共有できますが、データ到達経路・ガードレール・監査ログは必ず分離してください。顧客向けの出力パイプラインにはDLP（データ漏洩防止）を組み込み、社内データの混入を防ぎます⚡ 💡 要点と詳細 従業員向けの特徴は以下の通りです： - 入力を信頼できる前提が成り立つ（雇用契約・NDAの拘束） - データは社内ナレッジベース（Notion / Confluence / Box）や業務システム（Salesforce / ServiceNow / Workday）に閉じる - 失敗コストは「業務非効率」「手戻り」レベルで、多くは可逆 - 同時利用者は数千〜数万、業務時間帯に集中 顧客向けの特徴は根本的に異なります： - 敵対的入力（ジェイルブレイク・間接インジェクション）を前提とした設計 - 誤回答・情報漏洩が法的責任やブランド毀損に発展 - テナントごとの厳密なデータ隔離が必須 - 同時利用者は数万〜数百万、24/365のスパイク耐性が必要 ハイブリッド構成では、Shopify連携ECで顧客向け問い合わせエージェントと社内受発注オペレーション支援エージェントを同一基盤上の別プレーンとして構築するケースが典型的です。Zendesk上の顧客向けエージェントには公開可能ナレッジの投影（read model）のみを参照させ、社内Notionの機密データへの直接到達を遮断します🔒 ⚖️ トレードオフ 従業員向け設計をそのまま顧客向けに流用すると、社内で許容されるデータアクセス範囲を顧客に適用してしまい、他テナントの情報漏洩という最悪の事態を招きます。逆に顧客向けの厳格なガードレールを全社展開すると、従業員の業務効率が著しく低下し、エージェント導入のROIが出なくなります😰 プレーン分離を「後で対応」にするのも危険です。初期は単一スタックで構築し、顧客向けリリース時に分離コストが膨れ上がるのはよくある失敗パターンです。分離は初期設計時に決定すべきです。監査ログの混在も見落としがち — 顧客PIIと社内データが同一ログストアに混在すると、データ保持期間やアクセス制御の管理が破綻します⚠️ 🛠️ ユースケース EC顧客対応＋社内オペレーション：Shopify連携のEC事業で、顧客向け問い合わせエージェント（厳格なガードレール・テナント分離・DLP適用）と社内受発注支援エージェント（社内データ全域アクセス・操作権限広め）を同一オーケストレーション基盤上の別プレーンとして運用します。共通バックエンドはモデルゲートウェイで共有し、フロントエンドとデータ経路だけを分離する設計です🛒 ITヘルプデスク：社内従業員向けのITサポートエージェントは、Active Directory・Jira・Confluenceに広くアクセスでき、パスワードリセットやソフトウェアプロビジョニングまで自動実行します。同じ基盤を顧客向けサポートに転用する場合は、アクセス範囲を公開ナレッジベースに限定し、ガードレールを格段に強化し、トピック制限・トーン制御・拒否方針を追加します📚 実践のコツ：「両方必要になるかもしれない」と少しでも感じたら、初日からプレーン分離を前提に設計してください。後からの分離は技術的負債の中でも特にコストが高い部類です💪 #AIエージェント# #エンタープライズアーキテクチャ#

便利だけど知られていないGemini APIの機能 💰 毎回同じ長いシステムプロンプトを送り直してトークン代を垂れ流していませんか？ Geminiの「コンテキストキャッシュ保存（Context caching）」を使えば、共通する長い入力を一度キャッシュし、以降のリクエストで再利用することで入力トークンコストを大幅に削減できます。大量のドキュメントや長いプロンプトを繰り返し使う場面で、コストが劇的に変わります。 📌 タイトル：コンテキストのキャッシュ保存（Context caching） 🔗 URL： 🧩 概要 LLMに長い共通コンテキスト（マニュアル全文、コードベース、数百ページのPDF等）を毎回送ると、その分のトークンが毎回課金されます。Context cachingは、そのコンテキストをGoogle側にキャッシュとして保持し、後続リクエストでは参照だけで済むようにする仕組みです。暗黙的キャッシュ（同じ入力が自動で再利用）と明示的キャッシュ（手動で作成・TTL管理）の2種類があります。 🛠 使い方 明示的キャッシュの場合、まずキャッシュを作成するAPIを呼び、system instructionや長い入力コンテンツを登録します。返されたキャッシュ名を以降のgenerateContentリクエストに渡すだけ。TTL（有効期限）はデフォルト1時間で、用途に応じて調整可能。暗黙的キャッシュは何も設定しなくても同一プレフィックスが自動的に再利用されるため、まずはそのままの利用で恩恵を受けられます。 🏗 本番システムへの組み込み方 ・社内ナレッジベースQA：全社マニュアルや規約文書をキャッシュし、ユーザーの質問ごとに毎回送信する必要をなくす。応答速度もコストも改善。 ・コードレビューbot：リポジトリのコードベースやコーディング規約をキャッシュし、PRごとのレビュー依頼で共通部分の再送を省略。 ・カスタマーサポート：FAQ・製品仕様書をキャッシュして、問い合わせのたびに巨大なコンテキストを再送しない構成に。 ・バッチ分析パイプライン：同じ参照データに対して大量の個別クエリを投げる処理で、キャッシュにより1件あたりのコストを圧縮。 💡 ユースケース 📚 長文ドキュメントに対する繰り返しの質問応答 🔍 共通のシステムプロンプトを使う大量リクエスト 🧑‍💻 コードベース全体を文脈に持つ開発支援ツール 📊 同一データセットへの複数観点での分析 ⚠️ 注意点 キャッシュには最低トークン数の要件があり、短いプロンプトではキャッシュ作成できません。また、キャッシュの保持にはストレージ料金がかかるため、利用頻度が低い場合はかえって割高になることも。TTLの設定と利用パターンを見極めて、コストメリットが出る場面に絞るのがポイントです。 ✨ 「同じものを何度も送る」コストは積み重なると大きな差になります。まずは一番長い共通コンテキストをキャッシュしてみてください。 #Gemini# #LLM#

# AIエージェント開発の意思決定ポイント 🎯 **ポイント** AIエージェントに「何でも覚えさせる」のは本当に良いことでしょうか？メモリ書込の積極度は、エージェントの賢さと安全性を左右する最も繊細なダイヤルの一つです。書き込みすぎればメモリ汚染、書き込まなさすぎれば学習しないエージェント。この絶妙なバランスをどう取るか、実務の視点で掘り下げます。 📋 **概要** メモリ書込の積極度とは、エージェントが対話やタスク遂行の過程で得た情報を長期メモリにどれだけ積極的に保存するかを制御するパラメータです。データベースへのINSERTと同じ重みで考えるべき、準不可逆的な操作です。LLMが生成した推測やユーザーの曖昧な発言を安易に書き込むと、以後のすべてのセッションで「過去に記録された事実」として参照され、誤りが自己強化するループ、すなわちメモリ汚染に陥ります。 🔍 **意思決定のポイント** この設定は主に2つの変数で決まります。 🔹 **入力の信頼度（input_trust）** — エンドユーザーの自由入力が主なソースなら、インジェクションや誤情報のリスクが高いため書込ゲートの閾値を上げます。管理者が入力を管理している環境なら、ある程度積極的に書き込めます。 🔹 **失敗コスト（failure_cost）** — 医療・法務・金融では、誤った事実の永続化が深刻な結果を招きます。社内チャットボットなら、多少の誤記憶は修正すれば済みます。失敗コストが高いほど書込を抑制するのが鉄則です。 🔹 **説明責任（accountability）** — 「なぜこの情報をメモリに保存したか」を後から説明できる必要がある場合、出典と確信度を記録する設計が必須になります。 💡 **要点と詳細** 書込の判定基準は3段階で考えるのが実践的です。 ✅ **自動書込可** — ユーザーが直接的かつ明示的に述べた事実（「私の名前は山田です」「Pythonを使っています」） ⚠️ **確認後に書込** — ユーザーの発言から推測される情報（「Python好みのようですね」→ユーザーに確認してから保存） 🚫 **書込禁止** — LLMが生成した推測、外部ソースからの未検証情報、一時的な文脈 メモリエントリには確信度（confidence）タグを付与し、検索時に確信度の低いエントリはランキングを下げるのが効果的です。これにより書込を完全に禁止しなくてもメモリ汚染の影響を限定できます。重複検出も書込パイプラインに必ず組み込みましょう。コサイン類似度0.90〜0.95で既存エントリとの重複をチェックし、同一エンティティの同一属性は最新値で上書きするのが原則です。 ⚖️ **トレードオフ** 📉 書込が消極的すぎると — エージェントが学習しません。ユーザーが繰り返し伝えた好みを記憶せず毎回デフォルトに戻り、「また同じことを聞かれた」という不満を生みます。パーソナライゼーションの欠如は、長期的な関係構築が必要なユースケースで致命的です。 📈 書込が積極的すぎると — ハルシネーションの永続化が最大のリスクです。「おそらくAさんは東京在住でしょう」という推測が「Aさんは東京在住」として保存され、以後のセッションで確定事実として扱われます。さらに深刻なのがプロンプトインジェクションの持続化で、通常は1セッション限りの攻撃がメモリに永続化されると「持続型インジェクション」になります。 🛠️ **ユースケース** 🏥 **医療・法務・金融** — 失敗コストが極めて高い領域。書込は最小限に抑え、明示的に確認された事実のみを記録。出典と確信度の追跡は必須。 💬 **カスタマーサポート** — ユーザーの好みや過去の問い合わせ履歴を蓄積する必要があるが、自由入力のリスクも高い。反復確認された情報（2回以上の一致）のみ自動永続化し、暗黙的な好みは隔離期間を設けてから昇格させる設計が有効。 🏢 **社内ナレッジボット** — 組織の暗黙知（「このAPIはこのパラメータを渡すと壊れる」）を蓄積したい。管理者入力が主なら比較的積極的に書き込めるが、定期的な「メモリの棚卸し」でユーザーに保存情報を提示して確認を得る運用を組み込むと品質が保たれます。 書込ログの監査可能性も忘れずに。いつ・何が・どのソースから書き込まれたかを追跡できれば、メモリ汚染が発覚した場合に原因特定と修正が可能になります。 #AIエージェント# #ソフトウェアアーキテクチャ#

【ジャパンナレッジSchool】2026年8月4日（火）13:00～17:00、今年も開催！第3回ジャパンナレッジSchoolユーザー会！｜【公式】JapanKnowledge ※残席有。ジャパンナレッジSchool未導入校の先生もご参加いただけますので、ぜひご検討くださいませ。（KE）