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

$3

`bash


npm からインストール

npm install fumiami

または pnpm

pnpm add fumiami
`

$3

`bash


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
`

$3

#### 1. グラフ構築

`typescript
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

`typescript
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

`typescript
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);
`

$3

`bash


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

$3

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

$3

`bash


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
`

$3

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

`bash


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

`bash


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

`typescript
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

`bash


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：

`bash


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

`typescript
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

`typescript
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

`typescript
// 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。

`bash


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