エージェントのメモリは、検索を足すより「根拠までたどれる構造」を作るほうが効くのかもしれません🧠 Building Evidence-Grounded Agent Memory with OpenWiki and Graphs LangChainのブログでは、文書をコンパイルしたWiki(OpenWiki)と、その引用から作るエビデンスグラフを組み合わせ、複数文書にまたがる質問への精度を上げています。 注目ポイントは3つです。 📚 原文にハッシュで紐づくWiki Wikiの各記述は根拠となる原文の行とそのハッシュに結びつきます。原文が変わるとモデルを呼ばずに該当クレームにフラグが立ち、そこだけをモデルが見直すため、メモリが自己修正できます。 🔗 引用から作る型付きエッジ cite、supersede、refers_toなどのエッジを、既存の引用や文書内の参照から追加のモデル呼び出しなしで作ります。agentはlocateで起点を見つけ、expandでたどるだけです。グラフの構築は1秒未満でした。 📊 連結質問で精度が約5倍 保険文書111本の合成コーパスで、連結質問の精度は検索の0.10からWikiの0.52へ上がりました。エビデンスグラフを足すと精度は27%向上し、コストは58%下がりました。一方、単純な参照では検索と差がありませんでした。 メモリは、複数ソースにまたがる質問を繰り返す場面で効く、という整理が参考になります。 #AIエージェント# #エージェントメモリ#

GraphRAGに「エージェント」を足すと何が変わるのか、整理してみました🕸️ Agentic GraphRAG: How does an AI agent use a knowledge graph? ❓ 普通のGraphRAGと何が違うの? 💡 グラフ検索の主導権をエージェントに渡します。どこから探索し、どのツールを呼び、どこまで関係をたどり、十分な文脈が集まったかを、実行時に自分で判断します。 ❓ 実際にはどう動くの? 💡 スキーマ確認→クエリ→結果の観察を繰り返すReActループです。例えば「同じ問題の影響を受けた他の顧客は?」は3段階で解きます。 ・ベクトル検索で該当チケットを見つける ・チケットが報告するエラーを求める ・同じエラーを報告した他の顧客に到達する ❓ グラフに書き込ませても大丈夫? 💡 読み取りと書き込みを分けるのが前提です。書き込みは権限の限定、スキーマ検証、確信度の閾値、必要なら人間の承認で守ります。過去の判断と結果を残すコンテキストグラフも、この考え方の延長です。 ❓ いつ導入すべき? 💡 検索経路が質問ごとに変わる、ドメインが変化し続ける、過去の判断を活かしたい、のいずれかに当てはまる場合です。固定経路のほうが速い場面も多いので、まず動くGraphRAGを作り、足りない箇所にだけ自律性を足すのが現実的です。 #GraphRAG# #AIエージェント#

【#GRAPHTCUP2026# 決勝リーグ 視聴者向けプレゼント🍱😋】 味の素株式会社の冷凍弁当「あえて、®」6食セットを 抽選で2名様にプレゼント🎁 応募方法 @TeamGRAPHT と @ajinomoto_games をフォローのうえ、 このポストをリポスト🔁 #PR# #味の素KK#

「kao_graphy」は、コミックマーケット107で「水曜日 東地区 “Ｔ”ブロック－34b (東７ホール)」に配置されました！コミケWebカタログにてサークル情報ページ公開中です！ #C107WebCatalog# GODDESS FALLイメージの予定🙂‍↕️撮影これから🙂‍↕️応援して下さい🙂‍↕️