3つの層：ワークスペース、グラフ、エージェント

使い始めて6か月。ノートは数百件になり、チームメンバーから"価格について何を決め、どこに書いたのだっけ？"と聞かれます。Markdownファイルだけのフォルダーでは、答えを見つけるのに20分かけて検索し、読み流すことになります。ノートはどこかにあります。足りないのはつながりです。

Consilienceの答えは、それぞれ1つの役割を持つ3つの層です。Markdownファイルは書いたとおりに残ります。その上では、誰と何がつながるかを示す索引としてナレッジグラフが育ちます。さらにAIエージェントがグラフを読み、手作業なら追いかける必要があるつながりをたどります。

初回起動時にフォルダーを接続したため、抽出はすでにバックグラウンドでグラフを構築しています。処理を待つ間に、このコース全体の土台となる構造を見ておきましょう。

3つの層を一覧する

ワークスペース

Markdownファイルのフォルダー。ほかのすべての層の土台となる、永続的で持ち運べる層。

エンティティ

人、組織、場所、プロジェクト、アイデアなど、ノートが言及する対象。グラフのノードになる。

名前付きグラフ

グラフストア内にある、ノートごとの区画。各ノートから抽出された事実が、ノートのパスをキーに別々の区画へ入る。

来歴

事実がどこから来たか。Consilienceでは名前付きグラフが来歴の記録となり、その事実を表明したノートを示す。

エージェント

グラフを読み、つながりをたどって質問へ答え、自分の知識をラベル付きノートとして書く内蔵AI。

第1層：原本ファイルを保管するワークスペース

最下層は最も単純で、最も重要です。自分の端末にあるMarkdownファイルのフォルダーです。上の層はすべてこのファイルから作られ、上の層から書き戻すことはありません。ノートを保存し、名前を変え、移動しても、どのエディターでも開けるプレーンテキストのままです。明日Consilienceを離れても、この層はそのまま手元に残ります。

第2層：エンティティ・関係・出典のグラフ

Markdownノートを保存するたび、Consilienceが静かに読み取ります。そこに登場する人、プロジェクト、場所、アイデアはエンティティになります。それらをつなぐ型付きの事実は関係になります。さらに"Capture your decisions and questions"が有効なら、自分の決定、質問、主張、引用はステートメントとして一字一句そのまま残ります。すべて端末内のグラフストアへ入り、ファイルへは書き込まれません。

最も重要な設計上の選択があります。各ノートの事実は、そのノートのパスをキーに、そのノート専用の名前付きグラフへ入ります。

# Each note gets its own compartment, named after the note:
note "strategy/pricing.md" {
    (Acme) -acquired-> (Initech)
}
# Re-extract the note -> only this compartment is replaced.
# Delete or rename it -> this compartment is dropped or re-keyed.

ノートごとの名前付きグラフによって、抽出した事実の出典を確認できます。関係にカーソルを合わせると、根拠となるノートと一文が表示されます。原文の事実は再抽出できますが、同じオントロジーを保つにはグラフ・語彙・判定も保存する必要があります。

捨てられるのは、この層全体を再生成できるからです。Settingsの"Rebuild knowledge graph"は、最新のロジックですべてのノートを再抽出します。自分で行った修正（型の上書き、同義語の判断、削除したつながり）はノートごとのグラフ外に保存されるため、再構築しても教えた内容は消えません。

第3層、エージェント：上の層で推論する

最上層は内蔵AIです。グラフは自分のためだけでなく、AIのためにも存在します。アプリの空状態にある表現を借りれば、Consilienceがグラフを作るのは"so the AI can follow those connections to a complete answer."、つまりAIがつながりをたどって完全な回答へ到達するためです。ノートを1つずつキーワード照合する代わりに、エージェントはエンティティから関係へ、さらに背後のノートへ進みます。すべての移動は、第1層にある正確な根拠文で裏づけられます。

• グラフを通して読む。 エンティティ、関係、原文のステートメント（エンティティページの"In your words"）は、エージェントがたどれる文脈になります。どれも出典ノートまで戻れます。
• グラフも構築する。 抽出とは、そもそもAIがノートを読む処理です。使用するモデルはSettingsの"Extraction model"で選びます。
• 見える形で学ぶ。 エージェントが保存するノートはlearned/配下に入り、自分のノートと同じように索引されますが、常にエージェント作成のラベルがつき、自分の文章へ混ざることはありません。

バックグラウンドでのグラフ整理

人の記憶になぞらえて考えてみましょう。第1層は自分が経験したことです。第2層は、眠っている間の脳の働きに似ています。記憶そのものには触れず、その日の出来事を関連づけて整理します。

"Automatic knowledge-graph extraction"を有効にすると、保存のたびに変更したノートだけを対象とする静かなバックグラウンド処理が始まり、触れていないノートはそのままです。さらに深い整理は、"Tune up AI search"を1クリックすると実行されます。6時間以上離れていて、本当に変化があった場合は、グラフに"While you were away"の要約が表示されます。

このモデルを覚えておく

この先のレッスンは、すべてこの構造につながります。"extraction"と出てきたら、第1層から第2層を作る場面を思い浮かべてください。エンティティページ、コレクション、トピックマップに触れているなら、第2層を見ています。

チャット、調査の実行、エージェント提案の確認は第3層です。そこで示されるすべての主張は、第1層の正確な一文へ戻れるべきです。