Grantai

GrantAi

AI のための決定論的メモリ
ローカル。プライベート。安全。

ウェブサイト • ダウンロード • ドキュメント

---

無料版 — 1 つのコマンドで、アカウント不要

無料版は、MCP サーバーとして動作する完全なローカルメモリエンジンです。メールアドレス、ライセンスキー、試用期間は不要で、一度モデルをダウンロードした後はネットワーク接続も必要ありません（約 650 MB）。

# macOS / Linux
curl -fsSL "https://solonai.com/grantai/install.sh?src=github" | bash

# Windows 10/11 (PowerShell)
irm "https://solonai.com/grantai/install.ps1?src=github" | iex

インストーラーは、公開されている SHA-256 マニフェストを使って両方のダウンロードを検証し、~/.grantai/free（Windows の場合は %LOCALAPPDATA%\GrantAi\free）にインストールします。また、Claude Code、Claude Desktop、Cursor、Gemini CLI、Codex がインストールされている場合は、各環境にサーバーを登録します。それ以外の MCP クライアントでも、同じコマンドと引数を使用できます。Homebrew の場合：brew install solonai/grantai/grantai-free。エアギャップ環境へのインストール方法と、各環境で実行される内容の全一覧は開発者向けページをご覧ください。

問題点

現在の AI システムには、どれも同じ欠点があります。記憶する代わりに推測することです。

RAG（検索拡張生成）は、ドキュメントを意味の数値的な近似であるベクトルに変換します。質問すると、質問と数学的に類似したコンテンツを返します。類似していることと、正しいことは同じではありません。

「HIPAA の暗号化に関する罰則」と尋ねると、RAG はコンプライアンス関連に見える断片を返します。正しいセクションかもしれません。隣接する段落かもしれません。あるいは、幻覚による範囲かもしれません。関連性の有無にかかわらず、取得されたトークンごとに料金が発生します。

これが検索コストです。

• 再検索 — 同じ質問、同じ検索、同じコスト
• 過剰な検索 — 3 つで足りるのに 20 個の断片を取得
• 作業負担 — 製品を開発する代わりに、エンジニアが埋め込みを調整
• リスク — 正確さが求められる分野での近似的な回答

エンタープライズ AI は、計算リソースの 85% を推論に費やしています。その大半は、質問への回答にならないコンテンツの検索に浪費されています。

解決策

GrantAi は、AI エージェントのための決定論的メモリです。

類似性検索の代わりに、GrantAi は直接アドレス指定を使用します。知識の各項目には一意の識別子があります。取得は検索ではなく参照です。インデックスに登録したコンテンツを、原文のまま、出典情報付きで、数ミリ秒で取得できます。

RAG	GrantAi
類似したコンテンツを返す	正確なコンテンツを返す
10～20 個の断片を取得し、正解に期待する	1～3 文を取得し、常に正確
コーパスの増加に伴って遅くなる	サイズにかかわらず数ミリ秒
出典情報なし	完全な監査証跡
近似的	決定論的

結果： LLM に送信するトークンを 97% 削減。応答の高速化。コストの削減。検索に起因する幻覚なし。

重要な理由

• コンプライアンス — 言い換えによる推測ではなく、正確な引用
• マルチエージェント — 発言者の識別情報付きで、AI ワーカー全体がメモリを共有
• コスト — 検索ではなく、回答に対して支払う
• セキュリティ — 100% ローカル、AES-256 で暗号化、データの外部送信ゼロ

クイックスタート

macOS / Linux（ネイティブ）

# 1. Download from https://solonai.com/grantai/download
# 2. Extract and install
./install.sh

# 3. Restart your AI tool (Claude Code, Cursor, etc.)

Docker（全プラットフォーム）

docker pull ghcr.io/solonai-com/grantai-memory:1.8.6

Claude Desktop の設定（~/.config/Claude/claude_desktop_config.json）に追加します。

{
  "mcpServers": {
    "grantai": {
      "command": "docker",
      "args": ["run", "-i", "--rm", "--pull", "always",
               "-v", "grantai-data:/data",
               "ghcr.io/solonai-com/grantai-memory:1.8.6"]
    }
  }
}

対応プラットフォーム

プラットフォーム	方法	状態
macOS（Apple Silicon）	ネイティブ	✅
Linux（x64）	ネイティブ	✅
Windows	ネイティブ	✅
全プラットフォーム	Docker	✅

MCP ツール

GrantAi は、AI に以下のツールを提供します。

ツール	説明
grantai_infer	関連するコンテキストをメモリから照会します
grantai_teach	後で呼び出せるようにコンテンツを保存します
grantai_learn	ファイルまたはディレクトリをインポートします
grantai_health	サーバーの状態を確認します
grantai_summarize	セッションの要約を保存します
grantai_project	プロジェクトの状態を追跡します
grantai_snippet	コードパターンを保存します
grantai_git	git のコミット履歴をインポートします
grantai_capture	会話のやり取りを保存し、継続性を保ちます

マルチエージェントのメモリ共有

複数のエージェントが GrantAi のメモリレイヤーを通じて知識を共有できます。

基本的な共有メモリ（設定不要）

# Any agent stores
grantai_teach(
    content="API rate limit is 100 requests/minute.",
    source="api-notes"
)

# Any agent retrieves
grantai_infer(input="API rate limiting")

すべてのエージェントが同じメモリプールから読み書きします。設定は不要です。

エージェントの識別情報を付与する場合（任意）

speaker を使って、どのエージェントが何を保存したかを追跡し、from_agents で取得対象を絞り込みます。

# Store with identity
grantai_teach(
    content="API uses Bearer token auth.",
    source="api-research",
    speaker="researcher"  # optional
)

# Retrieve from specific agent
grantai_infer(
    input="API authentication",
    from_agents=["researcher"]  # optional filter
)

speaker を使う場面

シナリオ	speaker を使用しますか？	理由
共有ナレッジベース	いいえ	すべての情報提供を同等に扱い、絞り込みは不要です
セッションの継続性	いいえ	同じコンテキストを保存して取得するだけです
リサーチからコーディングへの引き継ぎ	はい	コーディングエージェントがリサーチ担当者の調査結果だけを絞り込めます
役割に基づく信頼	はい	セキュリティエージェントからの入力を別の方法で扱います

フレームワークとの統合

GrantAi は、MCP 互換のあらゆるクライアントで動作します。エージェントを同じ GrantAi インスタンスに接続します。

{
  "mcpServers": {
    "grantai": {
      "command": "docker",
      "args": ["run", "-i", "--rm", "--pull", "always",
               "-v", "grantai-data:/data",
               "ghcr.io/solonai-com/grantai-memory:1.8.6"]
    }
  }
}

この設定を使うすべてのエージェントは、同じメモリボリューム（grantai-data）を共有します。

開発者

GrantAi は、SolonAI の創設者である Lawrence Grant が開発しています。

経歴：ハーバード大学、IBM。Blackstone、Goldman Sachs、Vanguard 向けに、AI アーキテクチャとセキュリティ業務に従事。著書に Mergers and Acquisitions Cybersecurity: The Framework For Maximizing Value があります。

開発の背景

決定論的メモリを採用する理由の全容は、こちらをご覧ください：Your AI Has Amnesia. You're Paying. Blame the Architecture.

ドキュメント

• インストールガイド
• トラブルシューティング

サポート

• 課題 — 課題を作成
• メール — [email protected]

ライセンス

無料でお試しいただけます。料金と利用規約

---

今すぐ始める →