🧠 Adaptive Graph of Thoughts

🧠 Adaptive Graph of Thoughts

🔍 概要

Adaptive Graph of Thoughts（AGoT）は、Advanced Scientific Reasoning Graph-of-Thoughts（ASR-GoT）フレームワークを実装した高性能MCP サーバーです。Neo4jグラフデータベースを動的なナレッジストアとして使用し、**Model Context Protocol（MCP）**を通じて推論機能を提供することで、Claude DesktopなどのAIアシスタントとシームレスに連携できます。

主な特長

🏗️ システムアーキテクチャ

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#4A90D9', 'primaryTextColor': '#fff', 'primaryBorderColor': '#2C5F8A', 'lineColor': '#666', 'secondaryColor': '#52B788', 'tertiaryColor': '#F8F9FA'}}}%%
graph TB
    subgraph Clients["🖥️ Client Layer"]
        CD["🤖 Claude Desktop"]
        VS["💻 VS Code / Cursor"]
        CC["🔗 Custom MCP Clients"]
    end

    subgraph Gateway["🌐 API Gateway Layer"]
        MCP_EP["⚡ MCP Endpoint\n/mcp"]
        NLQ_EP["🔍 NLQ Endpoint\n/nlq"]
        GE_EP["📊 Graph Explorer\n/graph"]
        HE["💚 Health Check\n/health"]
    end

    subgraph Core["🧠 Core Application Layer"]
        direction TB
        GTP["🔄 GoT Processor\nOrchestrator"]
        subgraph Pipeline["ASR-GoT 8-Stage Pipeline"]
            S1["1️⃣ Init &\nContext Setup"]
            S2["2️⃣ Query\nDecomposition"]
            S3["3️⃣ Hypothesis\nGeneration"]
            S4["4️⃣ Evidence\nIntegration"]
            S5["5️⃣ Pruning &\nMerging"]
            S6["6️⃣ Subgraph\nExtraction"]
            S7["7️⃣ Synthesis &\nComposition"]
            S8["8️⃣ Reflection &\nAudit"]
            S1 --> S2 --> S3 --> S4 --> S5 --> S6 --> S7 --> S8
        end
        GTP --> Pipeline
    end

    subgraph Services["🛠️ Service Layer"]
        LLM["🤖 LLM Service\nOpenAI / Claude"]
        EDB["📚 Evidence DB\nPubMed · Scholar · Exa"]
    end

    subgraph Storage["🗄️ Storage Layer"]
        NEO4J["📦 Neo4j\nGraph Database"]
        CONFIG["⚙️ Config\n(YAML + ENV)"]
    end

    Clients -->|"MCP JSON-RPC\nBearer Auth"| Gateway
    MCP_EP --> GTP
    NLQ_EP --> LLM
    GE_EP --> NEO4J
    GTP --> Services
    GTP --> NEO4J
    LLM --> EDB

    style Clients fill:#E3F2FD,stroke:#1565C0
    style Gateway fill:#F3E5F5,stroke:#6A1B9A
    style Core fill:#E8F5E9,stroke:#1B5E20
    style Services fill:#FFF8E1,stroke:#F57F17
    style Storage fill:#FCE4EC,stroke:#880E4F

🔄 ASR-GoT推論パイプライン

8段階の推論パイプラインは、未加工の質問を、ナレッジグラフに保存される包括的でエビデンスに裏付けられた回答へと変換します：

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#7B68EE', 'edgeLabelBackground': '#fff'}}}%%
flowchart LR
    Q([❓ Scientific\nQuestion]) --> S1

    subgraph S1["Stage 1: Initialization"]
        I1["Set context\n& parameters"]
        I2["Create root\ngraph node"]
        I1 --> I2
    end

    subgraph S2["Stage 2: Decomposition"]
        D1["Identify\nsub-questions"]
        D2["Map knowledge\ndomains"]
        D1 --> D2
    end

    subgraph S3["Stage 3: Hypothesis"]
        H1["Generate\nhypotheses"]
        H2["Score initial\nconfidence"]
        H1 --> H2
    end

    subgraph S4["Stage 4: Evidence"]
        E1["Query PubMed\nScholar · Exa"]
        E2["Integrate\nevidence nodes"]
        E1 --> E2
    end

    subgraph S5["Stage 5: Pruning"]
        P1["Remove weak\nhypotheses"]
        P2["Merge related\nnodes"]
        P1 --> P2
    end

    subgraph S6["Stage 6: Subgraph"]
        SG1["Extract key\nsubgraphs"]
        SG2["Score relevance\n& centrality"]
        SG1 --> SG2
    end

    subgraph S7["Stage 7: Synthesis"]
        C1["Compose final\nnarrative"]
        C2["Build\nconclusions"]
        C1 --> C2
    end

    subgraph S8["Stage 8: Reflection"]
        R1["Audit\nconsistency"]
        R2["Return final\nresult"]
        R1 --> R2
    end

    S1 --> S2 --> S3 --> S4 --> S5 --> S6 --> S7 --> S8
    S8 --> A([✅ Reasoned\nAnswer])

    style Q fill:#FFD700,stroke:#DAA520,color:#000
    style A fill:#90EE90,stroke:#228B22,color:#000

🕸️ ナレッジグラフのコネクトーム

Neo4jナレッジグラフは、推論構造を豊かなコネクトームとして捉えます。ノードは概念、仮説、エビデンスを表し、エッジは意味的および論理的な関係を表します：

%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#6C63FF', 'primaryTextColor': '#fff', 'edgeLabelBackground': '#f0f0ff'}}}%%
graph TD
    RootQuery["🔍 Root Query\n(Session Node)"]

    subgraph Decomp["📐 Decomposition Layer"]
        D1["📌 Sub-question A\n[domain: biology]"]
        D2["📌 Sub-question B\n[domain: chemistry]"]
        D3["📌 Sub-question C\n[domain: physics]"]
    end

    subgraph Hypo["💡 Hypothesis Layer"]
        H1["💭 Hypothesis 1\nconf: 0.85"]
        H2["💭 Hypothesis 2\nconf: 0.72"]
        H3["💭 Hypothesis 3\nconf: 0.61"]
        H4["💭 Hypothesis 4\nconf: 0.90"]
    end

    subgraph Evid["🔬 Evidence Layer"]
        E1["📄 PubMed Paper\nPMID: 38492"]
        E2["📄 Scholar Article\nDOI: 10.1038/..."]
        E3["🌐 Exa Result\nexpert consensus"]
        E4["📊 Statistical\nMeta-analysis"]
    end

    subgraph Synth["🎯 Synthesis Layer"]
        C1["✅ Merged\nConclusion A"]
        C2["✅ Merged\nConclusion B"]
        FINAL["🏆 Final Answer\n[confidence: 0.88]"]
    end

    RootQuery -->|"DECOMPOSES_TO"| D1
    RootQuery -->|"DECOMPOSES_TO"| D2
    RootQuery -->|"DECOMPOSES_TO"| D3

    D1 -->|"GENERATES"| H1
    D1 -->|"GENERATES"| H2
    D2 -->|"GENERATES"| H3
    D3 -->|"GENERATES"| H4

    H1 -->|"SUPPORTED_BY"| E1
    H2 -->|"SUPPORTED_BY"| E2
    H3 -->|"CONTRADICTED_BY"| E3
    H4 -->|"SUPPORTED_BY"| E4

    H1 -->|"MERGES_WITH"| C1
    H4 -->|"MERGES_WITH"| C1
    H2 -->|"MERGES_WITH"| C2
    C1 -->|"SYNTHESIZES_TO"| FINAL
    C2 -->|"SYNTHESIZES_TO"| FINAL

    style RootQuery fill:#4A90D9,color:#fff,stroke:#2C5F8A
    style FINAL fill:#27AE60,color:#fff,stroke:#1E8449
    style H3 fill:#E74C3C,color:#fff,stroke:#C0392B

🔁 リクエストフロー

%%{init: {'theme': 'base'}}%%
sequenceDiagram
    actor User as 🤖 Claude / MCP Client
    participant API as ⚡ FastAPI Server
    participant Auth as 🔐 Auth Middleware
    participant GTP as 🧠 GoT Processor
    participant NEO as 📦 Neo4j DB
    participant LLM as 🤖 LLM Service

    User->>API: POST /mcp {"method": "asr_got.query"}
    API->>Auth: Verify Bearer Token
    Auth-->>API: ✅ Authorized

    API->>GTP: Process query
    GTP->>NEO: Create session + root node

    loop 8 Pipeline Stages
        GTP->>LLM: Generate hypotheses / summaries
        LLM-->>GTP: LLM response
        GTP->>NEO: Write nodes & relationships
        NEO-->>GTP: Confirmed
    end

    GTP->>NEO: Extract final subgraph
    NEO-->>GTP: Final answer graph
    GTP-->>API: Structured result

    API-->>User: JSON-RPC response\n{result, confidence, graph_state}

📚 ドキュメント

APIリファレンス、設定ガイド、貢献ガイドラインを含む完全なドキュメント：

➡️ Adaptive Graph of Thoughts ドキュメントサイト

📂 プロジェクト構成

Adaptive-Graph-of-Thoughts-MCP-server/
├── 📁 .github/             # CI/CD workflows (CodeQL, Dependabot)
├── 📁 agt_setup/           # Interactive setup wizard CLI
├── 📁 config/              # settings.yaml configuration
├── 📁 docs_src/            # MkDocs documentation source
├── 📁 helm/                # Kubernetes Helm chart
├── 📁 src/
│   └── 📁 adaptive_graph_of_thoughts/
│       ├── 📁 api/         # FastAPI routes & schemas
│       ├── 📁 application/ # GoTProcessor orchestrator
│       ├── 📁 domain/      # 8-stage pipeline & models
│       ├── 📁 infrastructure/ # Neo4j utilities
│       └── 📁 services/    # LLM & external API clients
├── 📁 tests/               # Comprehensive test suite
├── Dockerfile
├── docker-compose.yml
├── pyproject.toml
└── README.md

🚀 クイックスタート

git clone https://github.com/SaptaDey/Adaptive-Graph-of-Thoughts-MCP-server.git
cd Adaptive-Graph-of-Thoughts-MCP-server
poetry install
poetry run python -m agt_setup   # Interactive credential setup wizard
poetry run uvicorn adaptive_graph_of_thoughts.main:app --reload

インタラクティブなAPIドキュメントは、http://localhost:8000/docsをご覧ください。

🚀 はじめに

デプロイの前提条件

Adaptive Graph of Thoughts を実行する前に（ローカルで実行する場合、または Neo4j が含まれる付属の docker-compose.prod.yml を使用せずに Docker 経由で実行する場合）、次の点を確認してください。

• 実行中の Neo4j インスタンス：Adaptive Graph of Thoughts には、Neo4j グラフデータベースへの接続が必要です。

  • APOC ライブラリ：重要な点として、Neo4j インスタンスには APOC（Awesome Procedures On Cypher）ライブラリがインストールされている必要があります。アプリケーションの推論ステージ内にある複数の Cypher クエリでは、APOC プロシージャ（例：apoc.create.addLabels、apoc.merge.node）を使用します。APOC がないと、アプリケーションは正しく動作しません。インストール手順はAPOC の公式ウェブサイトで確認できます。
  • 設定：config/settings.yaml（または対応する環境変数）で、Neo4j インスタンスの URI、ユーザー名、パスワードが正しく指定されていることを確認してください。
  • インデックス作成：最適なパフォーマンスを得るには、適切な Neo4j インデックスが作成されていることを確認してください。python scripts/run_cypher_migrations.py を実行すると、付属の Cypher マイグレーションを自動的に適用できます。詳細については、Neo4j のインデックス戦略を参照してください。

  注：付属の docker-compose.yml（開発用）と docker-compose.prod.yml（本番用）には、APOC ライブラリがあらかじめ設定された Neo4j サービスが含まれているため、Docker Compose を使用する場合はこの要件を満たします。

前提条件

• Python 3.11+（pyproject.toml で指定されています。例：Docker イメージでは Python 3.11.x、3.12.x、3.13.x を使用します）
• Poetry：依存関係の管理に使用します
• Docker と Docker Compose：コンテナー化されたデプロイに使用します

インストールとセットアップ（ローカル開発）

1. リポジトリをクローンします：

   git clone https://github.com/SaptaDey/Adaptive-Graph-of-Thoughts-MCP-server.git
   cd Adaptive-Graph-of-Thoughts-MCP-server
   

2. Poetry を使用して依存関係をインストールします：

   poetry install
   

   これにより、仮想環境が作成され、pyproject.toml に指定された必要なパッケージがすべてインストールされます。

3. 仮想環境を有効にします：

   poetry shell
   

4. アプリケーションを設定します：

   # Copy example configuration
   cp config/settings.example.yaml config/settings.yaml
   
   # Edit configuration as needed
   vim config/settings.yaml
   

5. 環境変数を設定します（任意）：

   # Create .env file for sensitive configuration
   echo "LOG_LEVEL=DEBUG" > .env
   echo "API_HOST=0.0.0.0" >> .env
   echo "API_PORT=8000" >> .env
   

シークレット管理

本番環境では、SECRETS_PROVIDER 環境変数に aws、gcp、または vault を設定すると、サポート対象のシークレットマネージャーから機密値を取得できます。必要に応じて、各シークレットの名前を指定する <VAR>_SECRET_NAME 変数（例：OPENAI_API_KEY_SECRET_NAME）も設定してください。シークレットプロバイダーが設定されている場合、OPENAI_API_KEY、ANTHROPIC_API_KEY、NEO4J_PASSWORD の値は起動時に自動的に読み込まれます。

6. 開発サーバーを起動します：

   python src/adaptive_graph_of_thoughts/main.py
   

   または、より細かく制御する場合：

   uvicorn adaptive_graph_of_thoughts.main:app --reload --host 0.0.0.0 --port 8000
   

   API は http://localhost:8000 で利用できます。

✨ セットアップウィザード

初期設定を簡単にするインタラクティブなウィザードを利用できます。

poetry run python -m agt_setup

次に、http://localhost:8000/setup にアクセスして、ウェブベースの手順を完了してください。

セットアップウィザードのデモ GIF は、ドキュメントの完全版で表示されます。

Docker デプロイ

graph TB
    subgraph "Development Environment"
        A[👨‍💻 Developer] --> B[🐳 Docker Compose]
    end
    
    subgraph "Container Orchestration"
        B --> C[📦 Adaptive Graph of Thoughts Container]
        B --> D[📊 Monitoring Container]
        B --> E[🗄️ Database Container]
    end
    
    subgraph "Adaptive Graph of Thoughts Application"
        C --> F[⚡ FastAPI Server]
        F --> G[🧠 ASR-GoT Engine]
        F --> H[🔌 MCP Protocol]
    end
    
    subgraph "External Integrations"
        H --> I[🤖 Claude Desktop]
        H --> J[🔗 Other AI Clients]
    end
    
    style A fill:#e1f5fe
    style B fill:#f3e5f5
    style C fill:#e8f5e8
    style F fill:#fff3e0
    style G fill:#ffebee
    style H fill:#f1f8e9

1. Docker Compose ですぐに始める：

   # Build and run all services
   docker-compose up --build
   
   # For detached mode (background)
   docker-compose up --build -d
   
   # View logs
   docker-compose logs -f adaptive-graph-of-thoughts
   

2. 個別の Docker コンテナー：

   # Build the image
   docker build -t adaptive-graph-of-thoughts:latest .
   
   # Run the container
   docker run -p 8000:8000 -v $(pwd)/config:/app/config adaptive-graph-of-thoughts:latest
   

3. 本番環境へのデプロイ：

   # Use production compose file
   docker-compose -f docker-compose.prod.yml up --build -d
   

Kubernetes へのデプロイ（Helm）

Kubernetes クラスターで Adaptive Graph of Thoughts を実行するための最小限の Helm チャートが helm/agot-server に用意されています。

helm install agot helm/agot-server

helm/agot-server/values.yaml の値を変更して、イメージリポジトリ、リソース制限、その他のオプションを設定してください。

特定のデプロイプラットフォームに関する注意事項

• Smithery.ai：付属の smithery.yaml を使用してデプロイします。
  • GitHub リポジトリを Smithery に接続し、デプロイをクリックします。
  • コンテナは PORT 環境変数（デフォルトは 8000）でリッスンします。
  • ヘルスチェックでは /health エンドポイントを使用します。
  • Dockerfile と docker-compose.prod.yml は、コンテナの設定例です。

4. サービスにアクセスする：
   • API ドキュメント：http://localhost:8000/docs
   • ヘルスチェック：http://localhost:8000/health
   • MCP エンドポイント：http://localhost:8000/mcp

🔌 MCP クライアントとの統合

対応している MCP クライアント

Adaptive Graph of Thoughts は、さまざまな MCP クライアントとの統合に対応しています。

• Claude Desktop - STDIO と HTTP を完全にサポート
• VS Code - MCP 拡張機能を介して利用
• カスタム MCP クライアント - 汎用的な設定を利用可能

クライアントのクイックセットアップ

Claude Desktop / VS Code の設定

{
  "mcpServers": {
    "adaptive-graph-of-thoughts": {
      "command": "python",
      "args": ["-m", "adaptive_graph_of_thoughts.main"],
      "cwd": "/path/to/Adaptive-Graph-of-Thoughts-MCP-server",
      "env": {
        "NEO4J_URI": "bolt://localhost:7687",
        "NEO4J_USER": "neo4j",
        "NEO4J_PASSWORD": "your_password",
        "MCP_TRANSPORT_TYPE": "stdio"
      }
    }
  }
}

利用可能な MCP ツール

🔌 API エンドポイント

Adaptive Graph of Thoughts が公開している主な API エンドポイントは次のとおりです。

• MCP プロトコルエンドポイント：POST /mcp

  • このエンドポイントは、Claude Desktop などの MCP クライアントとの通信に使用します。
  • asr_got.query メソッドのリクエスト例：

    {
      "jsonrpc": "2.0",
      "method": "asr_got.query",
      "params": {
        "query": "Analyze the relationship between microbiome diversity and cancer progression.",
        "parameters": {
          "include_reasoning_trace": true,
          "include_graph_state": false
        }
      },
      "id": "123"
    }
    

  • その他に対応している MCP メソッドには、initialize と shutdown があります。

• ヘルスチェックエンドポイント：GET /health

  • アプリケーションの簡易的なヘルスステータスを返します。
  • レスポンス例：

    {
      "status": "healthy",
      "version": "0.1.0" 
    }
    

以前記載されていた高度な API エンドポイント（例：/api/v1/graph/query）は現在のバージョンでは実装されておらず、将来的な開発に備えて保留されています。

セッションの処理（session_id）

現在、API リクエスト（例：asr_got.query）で利用でき、レスポンスにも含まれる session_id パラメーターは、主に単一の完全なクエリとレスポンスのサイクルを識別・追跡するために使用されます。また、進捗通知（got/queryProgress など）を元のクエリと関連付けるためにも使用されます。

システムは session_id を生成して使用しますが、Adaptive Graph of Thoughts は現在、同じ session_id を使用した後続のクエリで、以前のクエリの詳細なグラフ状態や推論コンテキストを自動的に読み込んで再利用するような、真の複数ターンの会話の継続には対応していません。現時点では、各クエリは独立して処理されます。

今後の拡張：永続セッション

Adaptive Graph of Thoughts の今後の拡張として、永続セッションの実装が考えられます。これにより、ユーザーは次のことが可能になり、より対話的で発展的な推論プロセスを実現できます。

1. 状態の永続化： クエリから生成されたグラフの状態と関連する推論コンテキストを、session_id に関連付けて、おそらく Neo4j データベース内に保存します。
2. 状態の再読み込み： 既存の session_id を指定して新しいクエリが送信された際に、システムは保存された状態を再読み込みし、後続処理の出発点として利用できます。
3. 推敲と拡張： 新しいクエリが読み込まれたグラフと連携できるようにします。たとえば、以前の仮説を推敲したり、既存の構造に新しい証拠を追加したり、確立されたコンテキストに基づいて別の推論経路を探索したりできます。

永続セッションの実装には、次のような堅牢な方針の策定が必要です。

• Neo4j でセッション固有のグラフデータを効率的に保存、取得する方法。
• セッションデータのライフサイクル（作成、更新、有効期限切れなど）の管理。
• 新しいクエリを既存のセッションコンテキストやグラフに統合、変更、または拡張するための高度なロジックの設計。

これは、Adaptive Graph of Thoughts の対話機能を大幅に強化できる重要な機能です。永続セッション機能の設計と実装に関するコミュニティからの貢献を歓迎します。

今後の拡張：非同期および並列のステージ実行

現在、Adaptive Graph of Thoughts の推論パイプラインは、8 つのステージを順次実行します。複雑なクエリへの対応やパフォーマンスのさらなる最適化に向けて、パイプラインの一部を非同期または並列に実行する方法の検討が、今後の拡張として考えられます。

並列化の候補：

• 仮説の生成： HypothesisStage は、DecompositionStage が特定した各次元の仮説を生成します。異なる独立した次元の仮説を生成するプロセスは、並列化できる可能性があります。たとえば、3 つの次元に分解された場合、それぞれの次元の仮説を生成する 3 つの並列タスクを実行できます。
• 証拠の統合（一部）： EvidenceStage で複数の仮説が評価対象に選ばれた場合、これらの異なる仮説に対する「計画実行」フェーズ（証拠収集のシミュレーション）を並行して実行できる可能性があります。

課題と考慮事項：

ステージ実行の並列化には、慎重に管理する必要がある複雑さが伴います。

• データの一貫性： 同時実行される操作、特に Neo4j データベースへの書き込み（複数の仮説ノードや証拠ノードの同時作成など）は、データの整合性を確保し、競合状態を回避できるよう慎重に処理する必要があります。並列実行に対応した堅牢な一意 ID 生成方式も必要です。
• トランザクション管理： 同時書き込みに対する Neo4j のトランザクションを適切に管理する必要があります。
• 依存関係の管理： 他のステージの出力に実際に依存するステージ（またはステージの一部）が、正しい順序で実行されるようにすることが重要です。
• リソースの使用： 並列実行によって、リソース（CPU、メモリ、データベース接続）の需要が増える可能性があります。
• 複雑さ： GoTProcessor 全体の制御フローがより複雑になります。

現在の逐次実行では、明確で管理しやすいデータフローが確保されます。一方、独立した次元の仮説生成など、対象を絞った並列化は、Adaptive Graph of Thoughts の今後のバージョンでパフォーマンス上のメリットをもたらす可能性があります。これは、引き続き研究開発の対象となる分野です。

🧪 テストと品質保証

poetry run pytest

make test

poetry run mypy src/

pyright src/

poetry run ruff check .

poetry run ruff format .

poetry run pytest --cov=src

coverage html

開発コマンド

GitHub Actions の継続的インテグレーションパイプラインでは、テスト、CodeQL 分析、Microsoft Defender for DevOps によるセキュリティスキャンを実行します。

# Run full test suite with coverage using Poetry
poetry run pytest --cov=src --cov-report=html --cov-report=term

# Or using Makefile for the default test run
make test

# Run specific test categories (using poetry)
poetry run pytest tests/unit/stages/          # Stage-specific tests
poetry run pytest tests/integration/         # Integration tests
poetry run pytest -k "test_confidence"       # Tests matching pattern

# Type checking and linting (can also be run via Makefile targets: make lint, make check-types)
poetry run mypy src/ --strict                # Strict type checking
poetry run ruff check . --fix                # Auto-fix linting issues
poetry run ruff format .                     # Format code

# Pre-commit hooks (recommended)
poetry run pre-commit install                # Install hooks
poetry run pre-commit run --all-files       # Run all hooks (runs Ruff and MyPy)

# See Makefile for other useful targets like 'make all-checks'.

🖥 ダッシュボードの紹介

ダッシュボードのデモ GIF は近日公開予定です。

💻 IDE との統合

vscode-agot 拡張機能を使用して、VS Code からサーバーにクエリを実行できます。拡張機能を起動し、コマンドパレットから AGoT: Ask Graph… を実行してください。

❓ トラブルシューティング

サーバーが起動しない場合、またはセットアップでエラーが報告される場合は、Neo4j インスタンスが実行中であり、.env の認証情報が正しいことを確認してください。詳細については、コンソール出力を確認してください。

🗺️ ロードマップと今後の展望

Adaptive Graph of Thoughts の将来に向けて、私たちはわくわくするようなビジョンを描いています。ロードマップには、グラフ可視化の強化、Arxiv などのさらなるデータソースとの統合、コア推論エンジンのさらなる改良が含まれています。

予定している機能や長期的な目標の詳細については、ロードマップ（ドキュメントサイトでもご覧いただけます）をご確認ください。

🤝 貢献

貢献を歓迎します！始め方、ブランチ戦略、コードスタイルなどの詳細については、貢献ガイドライン（ドキュメントサイトでもご覧いただけます）をご確認ください。

📄 ライセンス

このプロジェクトは Apache License 2.0 のもとでライセンスされています。ライセンス。

🔒 セキュリティ

脆弱性の報告方法やサポート対象バージョンの詳細については、セキュリティポリシーをご確認ください。

🙏 謝辞

• グラフ分析機能を提供する NetworkX コミュニティ
• 優れた Web フレームワークを提供する FastAPI チーム
• 堅牢なデータ検証を提供する Pydantic
• インスピレーションとフィードバックを寄せてくださった科学研究コミュニティ