FlowElement-ai/m_flow
A bio-inspired cognitive memory engine — a new paradigm for Graph RAG.
解決する課題
従来のRAGシステムは単純なベクトル類似性に依存することが多く、意味的に近いものの文脈的には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、検索を単なる近接一致ではなく、推論と関連付けの問題として扱うことでこの問題に対処し、検索された情報が一貫した証拠の連鎖を通じてつながっていることを保証します。
仕組み
M-flowは、知識を4層の階層的な「コーングラフ（Cone Graph）」として構成します:
- Episode: 事件や決定などの限定された意味的焦点。
- Facet: Episodeのトピック別の断面。
- FacetPoint: 原子的な主張または事実。
- Entity: エピソード間でリンクされた固有名詞オブジェクト（人、ツール、指標）。
単にベクトルをマッチングさせるのではなく、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を介してエントリーポイント（アンカー）を見つけ、その後、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、クエリと情報を結ぶ最も強力で低コストな推論パスによってスコアリングされた「Episode bundle」となります。
対象者
- AIエージェント開発者: 持続的で長期的なエピソード記憶および手続き型記憶を必要とするエージェントを構築している方。
- エンタープライズ・ナレッジマネジメント: 長い会話を通じて文脈を維持するために、複雑な依存関係や照応（例：「彼女」が「Maria」を指すことを知ること）を解決する必要があるシステム。
- マルチユーザーシステムを構築する開発者: 生体認証アイデンティティを介してユーザーデータを分離するための、顔認識メモリパーティショニングを利用する方。
ハイライト
- グラフ主導の検索: 平坦な類似性ランキングではなく、構造化されたグラフ上でのパスコスト最適化を使用します。
- 照応解決: 検索の欠落を防ぐため、取り込み時に代名詞を具体的なエンティティに解決します。
- マルチグラニュラリティ（多粒度）サポート: クエリが任意のレベル（Entity、Facet、またはEpisode）から開始し、階層をナビゲートすることを可能にします。
- 手続き型メモリ: 再利用可能な知識として、抽象的なパターン、ワークフロー、および決定ルールをキャプチャします。
- 広範な統合: 50種類以上のファイル形式と、Neo4j、LanceDB、PostgreSQLを含む複数のデータベースをサポートしています。