FUMIAMI

Full Understanding of Mutual Inconsistencies in Administrative Markup Items

大学規定集等のHTML文書をHTML GraphRAGを用いて解析し、規定間の矛盾・不整合を自動検出するシステム。

🎯 主要機能

1. 矛盾検出 - 規定文書内の矛盾を自動検出
2. 影響分析 - 規定変更時に影響を受ける条項を特定

📦 パッケージ構成

fumiami/
├── packages/
│   ├── esperanto-ts/    # LLM/Embedding統合インターフェース
│   ├── graphrag/        # HTML GraphRAG (パーサー, チャンカー, グラフ)
│   └── detector/        # 矛盾検出 + 影響分析
└── samples/
    └── u-tokyo/         # 東京大学規則集サンプル

| パッケージ | 説明 | |-----------|------| | @fumiami/esperanto-ts | Azure AI Foundry / Ollama 統一インターフェース | | @fumiami/graphrag | HTML文書のGraphRAG処理 | | @fumiami/detector | 矛盾検出・影響分析エンジン |

🚀 クイックスタート

インストール

# npm からインストール
npm install fumiami

# または pnpm
pnpm add fumiami

開発版インストール（ソースから）

# リポジトリをクローン
git clone https://github.com/nahisaho/FUMIAMI.git
cd FUMIAMI/fumiami

# 依存関係をインストール
pnpm install

# ビルド
pnpm build

基本的な使い方

1. グラフ構築

import { GraphBuilder, AIFactory } from 'fumiami';

// Ollama使用（ローカル）
const factory = AIFactory.ollama('http://localhost:11434');
const embedding = factory.createEmbeddingModel({ model: 'nomic-embed-text' });

// グラフ構築
const builder = new GraphBuilder();
builder.setEmbeddingModel(embedding);
const result = await builder.buildFromHTML(html, 'regulation.html');
const graph = builder.getGraph();

2. 矛盾検出

import { ContradictionDetector } from 'fumiami';

const detector = new ContradictionDetector();
const detection = await detector.detect(graph);
console.log('矛盾:', detection.contradictions);

3. 影響分析

import { ImpactAnalyzer } from 'fumiami';

const analyzer = new ImpactAnalyzer();
const impact = await analyzer.analyze(graph, 'chunk-id-of-article-3');
console.log('影響を受ける条項:', impact.impactedArticles);

CLI使用例

# グラフ構築
npx fumiami build ./path/to/regulation.html -o ./graph.json

# 矛盾検出
npx fumiami detect ./graph.json

# 影響分析
npx fumiami impact ./graph.json 第3条

🔧 開発

前提条件

• Node.js 20+
• pnpm 8+
• Ollama（ローカルLLM使用時）

テスト実行

# 全パッケージのテスト
pnpm -r test:run

# 個別パッケージ
cd packages/esperanto-ts && pnpm test:run
cd packages/graphrag && pnpm test:run
cd packages/detector && pnpm test:run

AIプロバイダー設定

FUMIAMIは Ollama（ローカルLLM）と Azure AI Foundry（クラウド）の2つのAIプロバイダーをサポートしています。

Ollama（ローカル）

ローカル環境でLLMを実行する場合に使用します。

1. Ollamaのインストール

# Linux/WSL
curl -fsSL https://ollama.com/install.sh | sh

# macOS
brew install ollama

# 起動
ollama serve

2. 必要なモデルをダウンロード

# Embeddingモデル（必須）
ollama pull nomic-embed-text

# 言語モデル（オプション - 将来のLLM連携用）
ollama pull qwen2.5:7b

3. TypeScriptでの使用

import { AIFactory } from '@fumiami/esperanto-ts';

// 方法1: 静的ファクトリーメソッド（推奨）
const factory = AIFactory.ollama('http://localhost:11434');

// 方法2: モデルを指定して初期化
const factory = AIFactory.ollama('http://localhost:11434', {
  embeddingModel: 'nomic-embed-text',
  languageModel: 'qwen2.5:7b',
  systemPrompt: 'あなたは規定文書の専門家です。',
});

// Embeddingモデルを作成
const embedding = factory.createEmbeddingModel({ model: 'nomic-embed-text' });

// ベクトル生成
const result = await embedding.embed('第1条　この規則は...');
console.log(result.embedding); // number[]

4. CLI使用時の設定

# graphragでOllamaを使用
npx graphrag build ./regulation.html -o ./graph.json \
  --ollama-url http://localhost:11434 \
  --embedding-model nomic-embed-text

Azure AI Foundry（クラウド）

Azure AI Foundryのモデルを使用する場合に設定します。

1. 環境変数の設定

プロジェクトルートに .env ファイルを作成：

# fumiami/.env
AZURE_ENDPOINT=https://your-resource.openai.azure.com/
AZURE_API_KEY=your-api-key-here
AZURE_API_VERSION=2024-02-15-preview

2. TypeScriptでの使用

import { AIFactory } from '@fumiami/esperanto-ts';
import dotenv from 'dotenv';

// 環境変数を読み込み
dotenv.config();

// 方法1: 静的ファクトリーメソッド（推奨）
const factory = AIFactory.azure(
  process.env.AZURE_ENDPOINT!,
  process.env.AZURE_API_KEY!
);

// 方法2: オプション付きで初期化
const factory = AIFactory.azure(
  process.env.AZURE_ENDPOINT!,
  process.env.AZURE_API_KEY!,
  {
    embeddingModel: 'text-embedding-ada-002',
    languageModel: 'gpt-4',
    apiVersion: '2024-02-15-preview',
  }
);

// Embeddingモデルを作成
const embedding = factory.createEmbeddingModel({ 
  model: 'text-embedding-ada-002' 
});

// ベクトル生成
const result = await embedding.embed('第1条　この規則は...');

3. Azure AI Foundryの設定型

interface AzureConfig {
  provider: 'azure';
  endpoint: string;    // Azure OpenAIのエンドポイントURL
  apiKey: string;      // APIキー
  apiVersion?: string; // APIバージョン（省略時はデフォルト値）
}

設定の優先順位

1. メソッド引数 - createEmbeddingModel({ model: '...' }) で直接指定
2. ファクトリー初期化時 - AIFactory.ollama(url, { embeddingModel: '...' })
3. デフォルト値 - 設定がない場合はエラー

// ファクトリー初期化時にデフォルトモデルを設定
const factory = AIFactory.ollama('http://localhost:11434', {
  embeddingModel: 'nomic-embed-text',
});

// デフォルトモデルを使用
const embedding1 = factory.createEmbeddingModel();

// 別のモデルを指定して上書き
const embedding2 = factory.createEmbeddingModel({ model: 'mxbai-embed-large' });

推奨モデル

| プロバイダー | 用途 | 推奨モデル | |-------------|------|-----------| | Ollama | Embedding | nomic-embed-text, mxbai-embed-large | | Ollama | 言語モデル | qwen2.5:7b, llama3.1:8b | | Azure | Embedding | text-embedding-ada-002, text-embedding-3-small | | Azure | 言語モデル | gpt-4, gpt-4o, gpt-35-turbo |

📊 検出可能な矛盾タイプ

| タイプ | 説明 | 例 | |--------|------|-----| | definition | 同一用語の定義矛盾 | 「学生」の定義が複数存在 | | numeric | 数値の矛盾 | 期限が「14日」と「20日」で異なる | | condition | 条件の論理矛盾 | 条件が相互に矛盾 | | temporal | 時期・期限の矛盾 | 締切日が複数存在 | | reference | 参照矛盾 | 存在しない条項への参照 |

📊 影響タイプ

| タイプ | 説明 | 深刻度 | |--------|------|--------| | direct-reference | 直接参照している条項 | high | | definition-usage | 定義された用語を使用 | medium | | condition-chain | 条件の前提として参照 | critical | | structural-child | 構造的な子要素 | critical | | structural-sibling | 同一章・節内の条項 | low | | semantic-similar | 意味的に類似した条項 | low-high |

📁 サンプルデータ

samples/u-tokyo/ に東京大学規則集のサンプルデータがあります。

# サンプルで矛盾検出を試す
cd packages/graphrag
npx graphrag build ../samples/u-tokyo/html/学部通則.html -o ./cache/gakubu.json

cd ../detector
npx detector detect ../graphrag/cache/gakubu.json

📄 ライセンス

MIT License

🤝 コントリビューション

Issue・PRを歓迎します。

Project: FUMIAMI
Version: 0.1.0
Date: 2026-01-14