オーラリサーチ：ローカルツールが文書をAIがナビゲート可能なウィキにまとめ、永続的なメモリを実現

Aura Researchは、生のドキュメントをAIがナビゲート可能な永続的メモリを備えたwikiにコンパイルするオープンソースツールです。このツールはデータがマシンから流出することなく100%ローカルで実行されます。

仕組み

ワークフローは主に4つのコマンドで構成されます：

pip install aura-research
research init my-project
# copy docs into raw/
research ingest raw/
research compile
research query "your question"

生のドキュメント（PDF、論文、メモ、コード、60以上の形式をサポート）のフォルダを配置すると、LLMがそれらを相互リンクされた記事、概念ページ、マスターインデックスを持つ構造化されたマークダウンwikiにコンパイルします。その後、すべてをRAG検索に最適化された.auraアーカイブに圧縮します。開発者によると、これは生のソースデータよりも約97%小さくなるとのことです。

主要な設計上の決定

• 埋め込みもベクトルデータベースも使用しません。代わりにSimHash + Bloom Filtersを使用し、RAMオーバーヘッドはゼロです
• 組み込みの3層メモリOS（事実/エピソード/スクラッチパッド）により、LLMはセッション間で重要なコンテキストを忘れません
• wikiは単なる.mdファイルであり、Obsidian、VS Code、または任意のマークダウンエディタで閲覧可能です
• あらゆるLLMプロバイダ（OpenAI、Anthropic、Gemini）と連携可能で、APIキーが不要なClaude Code/Gemini CLI内のエージェントネイティブツールとしても機能します
• すべてがローカルで実行され、データがマシンから流出することはありません

「埋め込みなし」アプローチ

開発者は、標準的なRAGパイプライン（チャンク→埋め込み→ベクトル検索）を意図的に回避しました。代わりに、LLMが知識を適切に構造化されたwikiとインデックスにコンパイルします。クエリを実行すると、インデックスを読み取り、関連する2〜3の記事を見つけ、それらだけを読み込みます。このアプローチは、知識が適切に整理されていれば、LLMは別の埋め込みモデルを必要とせずに優れたファイル構造をナビゲートできるほど賢いという前提に立っています。

このツールはGitHub（https://github.com/Rtalabs-ai/aura-research）で利用可能で、PyPI経由でpip install aura-researchでインストールできます。