概要
Y CombinatorのCEOが公開したOSS「gbrain」の設計から、LLMに依存せずPostgreSQLと決定論的ロジックを組み合わせて高度なエージェント記憶基盤とナレッジグラフを構築する手法を紐解く。
詳細内容
この記事は、AIエージェントの記憶基盤を構築するためのOSS「gbrain」のリポジトリを解析し、そのアーキテクチャ、特にナレッジグラフ（KG）の構築手法を詳説しています。
### 主な特徴と設計思想
- **多層的な記憶モデル**: 全てをベクトル化して埋め込むのではなく、短期的な事実(facts)、現在の理解(pages)、時系列(timeline)、関係性(links)をPostgreSQL上で分離して管理します。
- **決定論的なリンク抽出**: LLMを介さず、MarkdownリンクやYAML frontmatter、正規表現によるパターンマッチングを用いて、所属(works_at)や投資(invested_in)といった関係を抽出。これにより、低コストかつ高速で再現性の高いグラフ構築を可能にしています。
- **情報の整合性維持（Reconciliation）**: 各エッジの「由来(provenance)」を保持することで、元ページが更新された際に古いエッジのみを正確に削除・更新する仕組みを実装しています。
- **検索ランキングへの活用**: グラフを探索(traversal)に使うだけでなく、検索結果のスコアリングに被リンク数(backlink count)を反映させ、重要度の高い情報を優先的に抽出します。
- **コードグラフの統合**: 人や組織の関係性とは別に、関数の呼び出し関係などを扱うコード専用のグラフ構造を持ち、高度なコード探索を実現しています。
ベクトル検索の限界を構造的な検索で補完する、実用的なエージェント開発の指針となる内容です。