memory-fabric

Memory Fabric - グラフオーケストレーション

エンティティ抽出、クエリ解析、重複排除、相互参照によるブーストのために、mcp__memory__* を介してナレッジグラフをオーケストレーションします。

概要

• ナレッジグラフからメモリを包括的に取得
• グラフストレージ内のエンティティを相互参照
• 関連するメモリを見落とさないようにする
• グラフクエリから統合されたコンテキストを構築

アーキテクチャの概要

Memory Fabric Layer
┌─────────────┐ ┌──────────────┐
│Query Parser │ │Query Executor│
└──────┬──────┘ └──────┬───────┘
       └───────┬───────┘
┌──────────────┴─────────────┐
│Graph Query Dispatch        │
└──────────────┬─────────────┘
┌──────────────┴─────────────┐
│mcp__memory__*              │
│(Knowledge Graph)           │
└──────────────┬─────────────┘
┌──────────────┴─────────────┐
│Result Normalizer           │
└──────────────┬─────────────┘
┌──────────────┴─────────────┐
│Deduplication Engine        │
│(>85% sim)                  │
└──────────────┬─────────────┘
┌──────────────┴─────────────┐
│Cross-Reference Booster     │
└──────────────┬─────────────┘
┌──────────────┴─────────────┐
│Final Ranking: recency ×    │
│relevance × source_authority│
└────────────────────────────┘

統合検索ワークフロー

ステップ 1：クエリを解析する

自然言語から検索意図とエンティティのヒントを抽出します。

Input: "What pagination approach did database-engineer recommend?"

Parsed:
- query: "pagination approach recommend"
- entity_hints: ["database-engineer", "pagination"]
- intent: "decision" or "pattern"

ステップ 2：グラフクエリを実行する

グラフをクエリする（エンティティ検索）：

mcp__memory__search_nodes({
  query: "pagination database-engineer"
})

ステップ 3：結果を正規化する

結果を共通形式に変換します。

{
  "id": "graph:original_id",
  "text": "content text",
  "source": "graph",
  "timestamp": "ISO8601",
  "relevance": 0.0-1.0,
  "entities": ["entity1", "entity2"],
  "metadata": {}
}

ステップ 4：重複を排除する（類似度 >85%）

2 つの結果のテキスト類似度が >85% の場合：

1. 関連度スコアが高い方を残す
2. メタデータを統合する
3. 権威性を高めるため、「cross-validated」としてマークする

ステップ 5：相互参照によるブースト

結果に、グラフの別の場所に存在するエンティティが含まれている場合：

• 関連度スコアを 1.2 倍にする
• グラフの関係性を結果のメタデータに追加する

ステップ 6：最終ランキング

スコア = recency_factor × relevance × source_authority

要素	重み	説明
recency	0.3	新しいメモリほど上位にランクされます
relevance	0.5	意味的な一致度
source_authority	0.2	グラフエンティティによるブースト、相互検証によるブースト

結果の形式

{
  "query": "original query",
  "total_results": 4,
  "sources": {
    "graph": 4
  },
  "results": [
    {
      "id": "graph:cursor-pagination",
      "text": "Use cursor-based pagination for scalability",
      "score": 0.92,
      "source": "graph",
      "timestamp": "2026-01-15T10:00:00Z",
      "entities": ["cursor-pagination", "database-engineer"],
      "graph_relations": [
        { "from": "database-engineer", "relation": "recommends", "to": "cursor-pagination" }
      ]
    }
  ]
}

エンティティ抽出

Memory Fabric は、グラフストレージに保存するために自然言語からエンティティを抽出します。

Input: "database-engineer uses pgvector for RAG applications"

Extracted:
- Entities:
  - { name: "database-engineer", type: "agent" }
  - { name: "pgvector", type: "technology" }
  - { name: "RAG", type: "pattern" }
- Relations:
  - { from: "database-engineer", relation: "uses", to: "pgvector" }
  - { from: "pgvector", relation: "used_for", to: "RAG" }

詳細な抽出パターンについては、Read("references/entity-extraction.md") を読み込んでください。

グラフ関係のトラバーサル

Memory Fabric は、複雑な関係性のクエリに対応するマルチホップのグラフトラバーサルをサポートしています。

例：マルチホップクエリ

Query: "What did database-engineer recommend about pagination?"

1. Search for "database-engineer pagination"
   → Find entity: "database-engineer recommends cursor-pagination"

2. Traverse related entities (depth 2)
   → Traverse: database-engineer → recommends → cursor-pagination
   → Find: "cursor-pagination uses offset-based approach"

3. Return results with relationship context

グラフメモリとの統合

Memory Fabric は、エンティティの関係性にナレッジグラフを使用します。

1. mcp__memory__search_nodes によるグラフ検索で、一致するエンティティを見つけます
2. グラフトラバーサルで、エンティティ間の関係性を通じてコンテキストを拡張します
3. エンティティが一致した場合、相互参照によって関連度を高めます

統合ポイント

memory スキルとの連携

メモリ検索の実行時に、必要に応じて Memory Fabric を使用して統合された結果を取得できます。

フックとの連携

• prompt/memory-fabric-context.sh - セッション開始時に統合されたコンテキストを注入
• stop/memory-fabric-sync.sh - セッション終了時にエンティティをグラフに同期

設定

# Environment variables
MEMORY_FABRIC_DEDUP_THRESHOLD=0.85    # Similarity threshold for merging
MEMORY_FABRIC_BOOST_FACTOR=1.2        # Cross-reference boost multiplier
MEMORY_FABRIC_MAX_RESULTS=20          # Max results per source

MCP の要件

必須： ナレッジグラフの MCP サーバー：

{
  "mcpServers": {
    "memory": {
      "command": "npx",
      "args": ["-y", "@anthropic/memory-mcp-server"]
    }
  }
}

エラー処理

シナリオ	動作
グラフを利用できない	エラー - グラフが必要です
クエリが空	グラフから最近のメモリを返します

関連スキル

• ork:memory - ユーザー向けのメモリ操作（検索、読み込み、同期、可視化）
• ork:remember - ユーザー向けのメモリ保存
• caching - Fabric を使用できるキャッシュレイヤー

主な決定事項

決定事項	選択	根拠
重複判定のしきい値	85%	重複の検出とニュアンスの保持のバランスを取ります
並列クエリ	常に実行	両方のソースは独立しており、遅延を低減できます
相互参照のブースト	1.2 倍	検証済みの情報はより信頼できますが、支配的にはしません
ランキングの重み	0.3/0.5/0.2	関連度を最優先し、次に新しさを重視します