m_flow: 認知スタイルのメモリ取得のためにパスコストスコアリングを使用するグラフルーティングRAGシステム

解決する課題

従来のRAGシステムはしばしば単純なベクトル類似性に依存しており、意味的に近いが文脈的に無関係なキーワードを見つけてしまうことがあります。M-flowは、取得を単なる近接マッチではなく、推論と連想の問題として扱うことで、取得された情報が一貫した証拠の連鎖で結びつくようにします。

仕組み

M-flowは知識を4層の階層的「コーン・グラフ」に整理します：

• Episode: 事象や決定など、限定された意味的焦点。
• Facet: エピソードのトピック別横断面。
• FacetPoint: 原子的な主張や事実。
• Entity: エピソード間でリンクされる名前付きオブジェクト（人物、ツール、指標など）。

ベクトルを単にマッチさせるのではなく、システムはグラフをスコアリングエンジンとして使用します。クエリはベクトル検索によりエントリーポイント（アンカー）を見つけ、システムは意味的に重み付けされたエッジに沿って証拠を伝播させます。最終的な結果は、クエリと情報を結びつける最も強力でコストの低い推論パスに基づいてスコア付けされた「エピソードバンドル」です。

対象ユーザー

• AI Agent Developers: 永続的で長期的なエピソードおよび手続き型メモリを必要とするエージェントを構築する開発者。
• Enterprise Knowledge Management: 複雑な依存関係や共参照（例: 「彼女」が「マリア」を指すこと）を解決し、長い会話全体でコンテキストを維持する必要があるシステム。
• Developers building multi-user systems: 生体認証による顔認識メモリ分割を活用し、ユーザーデータを分離する開発者。

ハイライト

• Graph-led retrieval: フラットな類似度ランキングではなく、構造化されたグラフ上でパスコスト最適化を使用します。
• Coreference resolution: 取り込み時に代名詞を具体的なエンティティに解決し、取得の抜けを防ぎます。
• Multi-granularity support: クエリが任意のレベル（Entity、Facet、またはEpisode）から開始し、階層をナビゲートできるようにします。
• Procedural memory: 抽象的なパターン、ワークフロー、意思決定ルールを捕捉し、再利用可能な知識とします。
• Extensive integration: 50以上のファイル形式と、Neo4j、LanceDB、PostgreSQLなど複数のデータベースをサポートします。