オントロジー駆動の知識グラフを作る確認項目 ・エンティティと関係を先に定義しているか ・LLMによる抽出を、オントロジーで検証しているか ・エージェントが検索戦略を動的に選べる構成か ・推論ルールを持たせているか ・更新を続ける運用体制 意味の地図があるほどエージェントは迷わない

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プラクティス 【セマンティックレイヤー -- 組織知識グラフと指標定義の一元化】 💡 「売上を教えて」とAIに聞いたら、税込？税抜？受注ベース？入金ベース？ -- 定義が曖昧なまま回答するAIは、正確に間違える最悪のツールです。指標と組織の「意味」を一元管理し、ハルシネーションを定義済みの事実で置き換えます。 🔥 解決する課題 - 数値/用語のハルシネーション：「売上」の定義が曖昧なまま回答し実際と異なる数値を生成する - 指示語の解決不能：「私のチーム」「先月」等の曖昧な参照を正確に解決できない - 組織階層スコープの欠如：部署・プロジェクトに応じたデータ範囲の制御ができない 🏗️ 提案パターン BIのセマンティックレイヤー（dbt Semantic Layer / Cube等）でメトリクス定義を一元管理します。「売上 = 受注金額の税抜合計、期間はFY基準」のように厳密に定義します。組織グラフはSCIM/HRIS（Workday等）から同期し、「私のチームの売上」を「ユーザーの所属部署メンバーの受注金額合計」と自動解決します。自然言語の曖昧性をハルシネーションではなく定義済みの事実で解決する仕組みです。 ✅ 選定条件 - 採用する場合：分析支援・組織横断の業務・権限依存の処理、指標や用語の定義が重要な業務 - 採用しない場合：定義が固まっていない探索的な領域（定義の整備が先） ⚠️ 落とし穴 - 定義の維持コスト：メトリクス定義と組織グラフの鮮度を保つ運用フローが必要です - 定義の粒度：細かすぎると管理が破綻し、粗すぎると曖昧性が残ります。利用頻度の高い指標から段階的に整備します - 組織変更への追従：部署再編・異動が頻繁な組織ではSCIM同期の頻度とタイミングが重要になります 🛠️ 実装方針 1. dbt Semantic Layer / Cubeでメトリクス定義（「売上 = 受注金額の税抜合計、期間はFY基準」等）を一元管理し、エージェントの第一級コンテキスト源として接続します 2. Workday / OktaからSCIM同期で組織グラフ（人・部署・プロジェクト・役職・権限）をNeo4j / Amazon Neptuneに構築します 3. 自然言語→定義済みメトリクス/関係へのマッピングレイヤーを実装し、「私のチームの売上」を「所属部署メンバーの受注金額合計」と自動解決します 4. 利用頻度の高い指標から段階的に定義を整備し、定義の鮮度を保つ定期レビューの運用フローを確立します 5. 組織グラフの変更検知（部署再編・異動）をSCIM同期のWebhookで即時反映し、スコープ制御の遅延を最小化します #AIエージェント# #エンタープライズアーキテクチャ#

「今の知識」だけでなく「いつ真実で、いつシステムが信じたか」という時間軸まで記録する、世界初を謳うOSSの企業ワールドモデルが登場しています。 タイトル: deeplethe/utopia URL: 📝 概要 Rust製・PostgreSQL＋pgvector採用のUtopiaは、ビテンポラル（二時間軸）知識グラフを核とした企業向け知識統治プラットフォームです。 ❗ 解決する課題 既存のベクトルストアやナレッジグラフは「今」の正しさにしか焦点を当てておらず、決定の追跡可能性や監査証跡が不足していました。 ⚙️ 方法論 すべての事実に「世界で真実だった時点」と「システムが信じた時点」の2軸を持たせ、矛盾検出・エンティティ解決・オントロジー駆動の推論を組み合わせています。全操作は改ざん防止の決定台帳に記録されます。 🔧 ユースケース PDF・Notion・Jira・S3など多様なソースを取り込み、Claude DesktopやCursorとMCP連携。エアギャップ環境での完全オフライン運用にも対応し、コンプライアンス監査が求められる現場に向いています。 📊 実績 GitHubスター9,000超・フォーク1,000超という実績があり、Docker Composeで手軽に立ち上げられます。現在はv0.1段階で活発に開発が続いています。 #OSS# #ナレッジグラフ#

🕸 テキストを「概念のグラフ」に変えて、ベクトルDBの代わりにRAGの検索器として使う。ローカル完結で試せるOSSです。 タイトル: rahulnyk/knowledge_graph URL: 🔍 概要 非構造テキストから、固有表現ではなく「概念」とその関係を抽出して知識グラフを作るプロジェクトです。Graph-Augmented Generation（GRAG）や知識ベースQAに使えます。 🧩 解決する課題 従来のテキスト解析は、概念どうしの絡み合いや隠れたつながりを捉えにくい問題がありました。意味を保ったまま問い合わせできるグラフにすることで、深い文書理解を可能にします。 🛠 方法論と提案手法 6ステップ（クリーニング→概念抽出→関係抽出→スキーマ化→ノード/エッジ生成→可視化）で構築。エッジは2種の重みを持ち、W1はLLMが抽出した明示関係、W2は同一チャンク共起。次数とコミュニティでノードの大きさと色を決めます。 💻 技術スタック ・LLM: Mistral 7B OpenOrca（GPT API不要） ・サービング: Ollamaでローカル完結 ・グラフ: NetworkX、可視化: Pyvis、データ: Pandas 🎯 ユースケース ベクトルDBの代わりにグラフを検索器に使うGraph RAG、隠れた関連の発見、中心性分析、コミュニティ検出など。 #KnowledgeGraph# #GraphRAG#

📚 平坦に検索して重複だらけになりがちなRAGを、知識グラフを階層的にたどって賢くするフレームワークです。 タイトル：LeanRAG URL： 📦 概要 LeanRAGは、知識グラフと階層的検索を組み合わせたグラフRAGフレームワークです。AAAI 2026に採録されています。 🔍 解決する課題 素朴な検索は関連チャンクを平坦に集めるだけで、内容が重複・冗長になり、文書間の構造的なつながりも活かせません。LeanRAGはエンティティを意味的に束ねた上位レイヤーをたどることで、根拠が明確で重複の少ない回答を狙います。 🛠 提案手法（5段階） ・意味的集約：エンティティをクラスタ化し要約ノードと隣接関係を生成 ・知識グラフ構築：エンティティと要約を多層グラフで接続 ・階層的検索：クエリを細粒度エンティティに係留し、上方向へ遡って証拠収集 ・冗長性を考慮した統合：重複パスを整理 ・生成：集めた証拠でLLMが回答 📊 実験結果 ・検索の冗長性を平坦検索比で約46%削減 ・MixベンチでLeanRAG 8.59がHiRAG 8.08・GraphRAG 7.87・LightRAG 7.61を上回る ・勝率はNaiveRAG比97.3%、GraphRAG比78.1%、LightRAG比81.2%、FastGraphRAG比100% 知識グラフ基盤で重複の少ないRAGを作りたい人に刺さりそうです。 #RAG# #知識グラフ#

🧠 「エージェントに正確な業務文脈をどう渡すか」への一つの答え。既存データからオントロジーと知識グラフを自動で作り、MCPで供給するOSSです。 タイトル: Context Ontology Accelerator (aws/context-ontology-accelerator) URL: AWSが公開した、AIエージェントに検証済みのビジネス文脈を与えるセマンティックなコンテキスト層。注目ポイントは3つです。 🔎 Scan→Model→Serveの3段パイプライン 多様なデータ源に接続してスキーマ発見・文書取り込み（Scan）、形式オントロジーと統一知識グラフを構築（Model）、VKGのSPARQLフェデレーションとMCPで公開（Serve）。手動の知識工学に頼らず既存データから意味構造を導きます。 ✅ 推論エンジンで整合性を検証 HermiTやELKでオントロジーの一貫性を検証し、形式制約に基づくルール検証が可能。エージェントが「学習データの記憶」でなく検証済みの業務ルールを問い合わせられます。 🏗 AWSネイティブで実運用志向 AWS CDKでデプロイ、Ontopを使ったVKG、名前空間ごとのRBAC（owner/maintainer/data-steward/data-analyst）。API設計はSmithy、UIはReact+Cloudscape。 説明可能性を保ちつつ、エージェントを検証済みの文脈で動かす土台になりそうです。 #KnowledgeGraph# #AIエージェント#

TL;DR: 実カルテは公開できずラベルも不完全という臨床AIベンチマークの根本問題を、完全合成データで解決した研究です。フロンティアモデルでもトップ医師の性能には届きませんでした。 タイトル: Synthetic Hospital: An Open, Verifiable, Physician-Validated Longitudinal EHR Benchmark URL: ポイント 🏥 医学教育教材から1,268人・5,602受診分の完全合成カルテを構築し、個人情報ゼロで公開可能に 🔗 診断・所見・時間関係をICD-10-CM/SNOMED CT/LOINCへ決定的に紐づけ、ラベルは知識グラフから機械的に導出 👨‍⚕️ 医師によるリアリズム検証で、実カルテとの識別精度はほぼチャンスレベルの53% 📊 10モデルを5タスクで評価。患者診断の最高スコアはKimi 2.5-thinkingの重症度加重F1 0.732で医師平均と同水準 ⚠️ トップ医師(0.89)には未到達。要約タスクではどのモデルも所見の約半分を見落とし 🔁 生成モデルを変えても性能変化は0.05以下、臨床状態そのものを測るベンチマークであることを確認 臨床LLMの実力を偽りなく測れる基盤が整った意義は大きいと感じます。 #医療AI# #LLMベンチマーク#

エージェントのモデルをアップグレードした翌日、なぜか回答の質が静かに落ちている。そんな経験はないでしょうか。 多くのチームは、モデルの入れ替えを「ただの差し替え」だと考えがちです。しかしエージェントが蓄積してきたメモリは、古いモデルの癖や解釈のクセを前提に書かれています。新しいモデルがそのメモリを引き継いだ瞬間、性能はテストに気づかれないまま劣化してしまうことがあります。 そこで研究者たちは、生履歴・RAG・モデル圧縮ノート・固定スキーマの知識グラフという4つのメモリ形式を、実際にモデルを入れ替えて比較しました。結果は形式によって驚くほど異なります。固定スキーマの知識グラフはモデルを替えてもほぼ無傷（変化わずか±0.0004ポイント）だった一方、圧縮ノートは書き手と読み手の組み合わせ次第で最大13.28ポイントも劣化し、埋め込みを中途半端に移行すると得られるはずの改善の58%を静かに失うことも判明しました。 Does Your Agent's Memory Survive a Model Upgrade? A Controlled Study of Memory Portability モデルのアップグレードは、もはや単なる差し替えではなく「メモリの移行プロジェクト」として扱うべき時代が来ているのかもしれません。 #AIエージェント# #メモリ管理#

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プラクティス 【階層化メモリ -- 4層メモリとコンテキスト・ブローカー】 💡 毎回ゼロから始まるAIエージェントは、何度も同じ質問をする新入社員と同じです。記憶を4層に分離し、「いま本当に必要な情報だけ」を動的に組み立てる仕組みが、実用レベルのエージェントを作ります。 🔥 解決する課題 - セッション跨ぎの文脈喪失：セッション間・エージェント間で文脈が失われ毎回やり直しになる - 文脈窓の有限性：全履歴を詰め込むとコスト・精度が劣化する - 記憶肥大：無制限な蓄積でコスト・プライバシーリスク・文脈汚染が増大する - Lost in the middle：大量コンテキスト投入でかえって回答精度が下がる 🏗️ 提案パターン メモリを4層に分離します。ワーキング（現セッション・揮発）、エピソード（過去要約・ユーザー単位）、セマンティック（RAG対象の知識）、組織知識（人・部署・関係の知識グラフ）。各層に適切な保存先・TTL・ACLを設定します。コンテキスト・ブローカーがユーザーの意図に応じて各層から情報を取得し、トークン予算内で優先度付け・要約・圧縮を行い、最も関連の高い情報だけでコンテキストを組み立てます。 ✅ 選定条件 - 採用する場合：セッション跨ぎ・エージェント跨ぎで文脈を引き継ぐ継続支援型エージェント - 採用しない場合：一発完結のステートレスタスク、固定の少量コンテキストで足りる用途 ⚠️ 落とし穴 - エピソードメモリの肥大化：生ログではなく要約を残し、重要度スコア + TTL + 時間減衰で制御します - コンテキストブローカーの品質：リランキングの精度が低いと不要情報が混入し、精度が劣化します - ACLの層間整合：メモリ層ごとにACLが異なる場合、集約時に最も厳しい権限に縮退させる設計が必要です 🛠️ 実装方針 1. ベクタDB（Pinecone / Weaviate / pgvector）をセマンティックメモリ層に、Neo4jを組織知識グラフ層に配置し、各層に保存先・TTL・ACLを設定します 2. エピソードメモリは生ログではなく要約パイプラインを通し、重要度スコア＋時間減衰で自動的に忘却・圧縮する仕組みを実装します 3. コンテキスト・ブローカーをリランキング（Cohere Rerank / cross-encoder）で構築し、ユーザーの意図に応じてトークン予算（目安8,000トークン）内で最も関連の高い情報を動的に組み立てます 4. Mem0 / Zepなどのメモリ管理フレームワークを活用し、セッション跨ぎ・エージェント跨ぎのデータ引き継ぎを実装します 5. 各メモリ層にACLタグを付与し、集約時にコンテキスト・ファイアウォール（P10）と連携して最も厳しい権限に縮退させます #AIエージェント# #エンタープライズアーキテクチャ#

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#