検索のしくみ v0.116.0 (2026-11-04) で追加
Graphium は、⌘K の Composer、ノート一覧、AI チャットなど、いくつかの場所でノートの中を探します。その裏では 3 つの探し方が動いています。言葉で探す、意味で探す、記録した構造をたどる、の 3 つです。このページでは、それぞれの考え方と、どこで使われているか、もとになった手法を簡単に説明します。
ここに出てくる仕組みは、どれもこの端末の中か、設定した AI モデルを通して動きます。索引はノートから作り直せる控えなので、消しても何も失われず、ノートを書き換えることもありません。
全体像
| 場所 | 何に当たるか | 探し方 |
|---|---|---|
⌘K の Composer | まずタイトル・見出し・ラベル・作者。続いてノート本文と素材の文字（画像から読み取った文字、PDF、Web ページ） | 言葉 |
| ノート一覧の検索欄 | タイトル、画像から読み取った文字、ノート本文 | 言葉 |
| AI チャットの最初の検索（内部参照・外部参照） | ナレッジページと、ノート・素材の短い断片 | 言葉＋意味を混ぜる |
| AI チャットでじっくり調べてから答える | 最初の検索と同じ。言葉は AI が選ぶ | 言葉＋意味 |
| AI チャットで AI が構造をたどる | ラベルを付けた材料・道具・条件・出力、手順、ノートどうしのつながり | 構造 |
言葉で探す: 全文の索引（BM25）
ノートを保存すると、Graphium は本文を 600 字ほどの断片に分け、この端末の中の 全文の索引 に入れます。画像から読み取った文字（OCR）、PDF の本文、Web ページの抜粋も、同じ索引に入ります。検索のときは、それぞれの断片に BM25 で点を付けます。その断片に何度も出てくる言葉ほど点が高く、どこにでも出てくる言葉ほど点が低くなる、という考え方です。多くの検索エンジンが何十年も使ってきた方法です。
日本語は言葉の間に空白がないので、ブラウザや OS に組み込まれた分かち書きの仕組みで言葉に分けます。長い言葉は 2 文字ずつの断片（熱電変換 → 熱電・電変・変換）でも入れておくので、切れ目がずれても当たります。
- 得意なこと: 正確な名前。試料の ID、型番、化学式、人の名前など。
- 苦手なこと: 同じものの言い換え（「乾燥庫」と「デシケーター」など）。
- 必要なもの: なし。AI モデルもインターネットも要りません。
索引の中身は 設定 → ストレージ → 検索インデックス で見られます。
意味で探す: 埋め込み
埋め込み（embedding）は、文章を数字の並びに変える手法です。意味の近い文章どうしが近くに並ぶように変えるので、数字の近さで意味の近さを測れます。Graphium はナレッジページの節ごとに埋め込みを作っておき、AI に質問したときは質問も埋め込みにして、近い節を選びます。
デスクトップ版の既定の埋め込みモデル bge-m3 は、この端末の中で動きます（最初に 1 回だけダウンロードします）。日本語と英語の両方を扱え、言語をまたいでも当たります。ほかのモデルとの比べ方は 検証の記録 に、動いている間に使うメモリの話は 「おまかせで整える」でデスクトップアプリが 11 GB 使ったのはなぜか にあります。
- 得意なこと: 言い換え。英語のノートを日本語で探すような、言語をまたぐ質問。
- 苦手なこと: 正確な名前や数値。もっともらしく見えても、探していた言葉を含まないことがあります。
- 必要なもの: 埋め込みモデル。無いときはこの部分を飛ばし、言葉の検索だけで動きます。
2 つを混ぜる: 順位の融合（RRF）
チャットの最初の検索は両方を動かし、2 つの順位表を RRF（reciprocal rank fusion、順位の逆数で混ぜる方法）で 1 つにまとめます。2 つの点数は尺度が違うので、点数そのものは使いません。それぞれの表での順位から 1 / (60 + 順位) を足し合わせます。両方で上位のものが先頭に来て、片方でしか見つからなかったものにも居場所が残ります。
このように、AI が記憶ではなくあなたのノートから答えられるよう、必要な断片を探して渡すやり方を RAG（retrieval-augmented generation、検索で補った生成）と呼びます。Graphium では断片に番号を付け、AI にその番号で引用させます。回答のリンクがノートに戻れるのは、このためです。
構造をたどる: 記録したもの
材料・道具・条件・出力にラベルを付けたり、手順を立てたり、ノートどうしをつないだりすると（ラベルと来歴）、小さなグラフが記録されます。何を使い、どの手順で、何から何ができたか、というグラフです。Graphium は、来歴を書き表す Web の標準 W3C PROV に沿ってこれを書き残します。
言葉や意味の検索から見ると、これはただの文字です。グラフをたどると、別の種類の質問に答えられます。
- 「この炉を使った実験はどれ？」: 本文のどこかにある「炉」という語ではなく、付けたラベルで探します。
- 「その実験の手順と条件は？」: 手順を順番に、各手順でラベルを付けたものと一緒に読みます。
- 「この結果はどこから来た？」: そのノートの上流にあるノート・試料・元の資料をたどります。
たどれるのは、ラベルを付けたもの・つないだものだけです。ラベルの無い書き方は、言葉の検索に任せます。
グラフを「貼る」のではなく「たどる」
AI にグラフを渡すよくあるやり方は、質問に近いノードをつながりごと見つけてまとめてプロンプトに貼り、絡まった全体を AI に読み解かせる方法です。Graphium はそうしません。記録したグラフを、AI が 1 歩ずつ 作業する場所 として扱います。
| グラフを貼る | グラフをたどる（Graphium） | |
|---|---|---|
| AI が受け取るもの | 近くのノードとつながりを、一度にまとめて | 1 回の調べものの結果、次にまた 1 回分 |
| 1 歩の形 | 「このノードの近く」という汎用の取り出し | 記録の意味に沿った調べもの。どのノートがその材料を 使った か、どの手順が 前にあった か、そのノートが何を もとにした か |
| 2 段の質問（「X を使った実験はどれで、温度は？」） | 貼られた塊の中から、AI が道筋を見つける必要がある | 1 回目で実験を見つけ、2 回目でその手順を読む |
| 答えの中の事実の出どころ | 貼った塊のどこか | 特定の調べものの結果。番号付きで引用される |
向きにも意味があります。手順が 使った 材料と、手順が 生み出した 試料は、グラフの上で隣り合っていても別物です。この 2 つを分けて調べれば、入力と出力を取り違えた答えを避けられます。そして AI が使う事実はすべて番号付きの結果として届くので、回答の一つひとつの主張を、もとのノートと照らし合わせて確かめられます。調べた道筋は、回答の下の 調べた手順 に残ります。
AI に自分で調べてもらう（agentic search）
じっくり調べてから答える（設定 → AI → チャット）をオンにすると、AI に読み取り専用の道具が渡ります。検索し直す、ページを読む、そして上の構造の調べものです。どれを呼ぶかは AI が決めます。結果を見てから次の一手を選び、最後に答えます。考えることと動くことを交互に行うこの型は、ReAct という手法で知られています。この型で検索することは、agentic search と呼ばれています。
「X を使った実験はどれで、温度は何度？」のような 2 段の質問にも答えられます。そのかわり、遅くなり、AI の利用量が増え、モデルが道具をうまく使えるかにも左右されます。くわしくは じっくり調べてから答えてもらう を見てください。
出典
- BM25: S. E. Robertson, S. Walker, S. Jones, M. M. Hancock-Beaulieu, M. Gatford, "Okapi at TREC-3", Proceedings of TREC-3, NIST, 1995（予稿集）。読みやすい解説: S. Robertson, H. Zaragoza, "The Probabilistic Relevance Framework: BM25 and Beyond", Foundations and Trends in Information Retrieval, 2009（doi:10.1561/1500000019）
- 分かち書き: Unicode Standard Annex #29 "Unicode Text Segmentation"（unicode.org）。ブラウザの分かち書きはこれに沿っています
- 埋め込み（bge-m3）: J. Chen, S. Xiao, P. Zhang ほか, "M3-Embedding: Multi-Linguality, Multi-Functionality, Multi-Granularity Text Embeddings Through Self-Knowledge Distillation", 2024（arXiv:2402.03216）
- RRF: G. V. Cormack, C. L. A. Clarke, S. Buettcher, "Reciprocal rank fusion outperforms Condorcet and individual rank learning methods", SIGIR 2009（doi:10.1145/1571941.1572114）
- RAG: P. Lewis, E. Perez, A. Piktus ほか, "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks", NeurIPS 2020（arXiv:2005.11401）
- 来歴（PROV）: W3C, "PROV-DM: The PROV Data Model", W3C 勧告, 2013（w3.org/TR/prov-dm）
- 道具を呼びながら考える型: S. Yao, J. Zhao, D. Yu ほか, "ReAct: Synergizing Reasoning and Acting in Language Models", ICLR 2023（arXiv:2210.03629）