Ikalus1988/MisakaNet

解決する問題

AI コーディングエージェントは、同じ失敗を繰り返し経験することがよくあります。エージェントが問題を修正しても、その修正が他のエージェントが後で見つけられる場所に記録されることはほとんどないため、同じタイムアウト、構文エラー、設定ミスが、新しいマシンや新しいモデルごとにゼロからデバッグされます。MisakaNet は、エージェントに共有された git バックアップの「失敗メモリ」を提供することでこれを解決します。それは、何が問題でどのように修正されたかを記録した教訓の検索可能なコレクションであり、証拠に基づいてグレード付けされているため、エージェントは読んだ内容を信頼できます。

仕組み

各教訓は、リポジトリの lessons/ ディレクトリに保存されたプレーンな Markdown ファイルです。教訓は、source: や provenance.issue: などのメタデータを持つ標準形式に従います。検索は、Python 標準ライブラリのみを使用した BM25 キーワード検索を使用します。ベクトルデータベース、埋め込みモデル、サーバーは不要です（必要な場合を除く）。エージェントは、モデルコンテキストプロトコル（MCP）サーバーを介して MisakaNet と対話します。このサーバーは、教訓を検索する misakanet_search や新しい失敗を報告する misakanet_submit_intake を含む 8 つのツールを公開します。検索が一致すると、エージェントは教訓テキストとその証拠レベル（E0 から E4、E4 は教訓が 2 つ以上の異なるクライアントによって再利用されたことを意味します）を取得します。一致しない場合、ツールは no_match 応答と、すぐに呼び出せる受け入れフォームを返すため、見逃しは追跡可能な問題になり、後で新しい教訓になる可能性があります。システムは、10 の異なるコーディングアシスタントを設定する npm インストーラーを介してインストールされるか、https://misakanet.org/mcp で公開エンドポイントとして実行され、任意の MCP クライアントが使用できます。

対象者

このプロジェクトは、AI コーディングエージェントに依存する開発者とチーム向けに構築されており、特に Docker、WSL、Windows、企業プロキシの背後など、失敗がマシン間で繰り返される多様な環境でエージェントを実行している人々を対象としています。また、エージェント自体にも向けられています。設計全体がエージェントネイティブであり、MCP、WebMCP、llms.txt、A2A ディスカバリによる自動アクセスを備えています。開発者は、コーパスにない失敗を報告したり、教訓を再利用して痕跡を残したりすることで貢献でき、証拠レベルを上げるのに役立ちます。

ハイライト

• git バックアップの教訓ストア：すべての修正は、リポジトリ内のレビュー可能で監査可能な Markdown ファイルです。
• 証拠ラダー E0–E4：教訓は、生の受け入れから独立したクライアントによる観察された再利用まで、検証の深さに基づいてグレード付けされます。
• Python 標準ライブラリのみを使用した BM25 検索——ベクトル DB、埋め込み、必須サーバーは不要。
• 8 つのツールを備えた MCP サーバー、公開匿名エンドポイント、10 クライアント用の npm インストーラー、GitHub Action 統合、Python ライブラリ misakanet-core。
• 制限について正直：検索は単語を一致させ、意味は一致させません。見逃しは空のページではなく、no_match と受け入れフォームを返します。
• ベンチマークは記録済みだが一時停止：lesson_hit_rate（モデルが注入された教訓をどれだけ暗唱するか）を測定——現在、小さなスナップショットで、教訓を貼り付けた場合は約 43.8%、貼り付けない場合は約 26.1%。
• セキュリティ警告：教訓はコミュニティによって提供され、取得したコマンドを実行する前にサンドボックス化する必要があります。CI は危険なパターンをスキャンします。