MEGURU RAG戦略 — 知識ギャップ分析と対応方針
現状の3層知識基盤
① NotebookLM（稼働中・即RAG可能）
| Notebook | Sources | 内容 |
|---|---|---|
| 巡命学 さくらの教え | 290 | 十大主星×100ペア、中央/北の方位21、canon11、基本概念15、禄存60 etc. |
| 陰陽五行 | 75 | 塾のPDF資料 2017-2021（天中殺、位相法、六十花甲子 etc.） |
| 十干十二支 | 11 | 十干十二支入門、YouTube系ソース |
| Self-Study Guide | 1 | 総合ガイド |
| 合計 | 377 |
NotebookLMの強み: GoogleのAIがsource全文を読み込み、高品質なRAG回答を生成。さくら口調での回答も可能。東・南など直接sourceがなくても基本概念から推論で回答できる。
② gbrain（8,106ページ、search全滅中）
| タイプ | ページ数 | 内容 |
|---|---|---|
| entity | 2,878 | キャラクター、企業 etc. |
| star-combination | 1,500 | 十大主星の組み合わせ解説 |
| concept | 1,338 | 算命学概念 |
| learning-content | 584 | 十二大主星×5軸(306) + 十二大従星×4軸(278) |
| character | 371 | 物語キャラクター |
| article | 661 | 記事・考察 |
| その他 | 774 | draft, review, original etc. |
gbrainの学習データ（brain/learning/）内訳:
- 十二大主星: 306 pages（仕事36、親子144、恋愛78、子育48）
- 十二大従星: 278 pages（仕事80、親子100、恋愛55、子育41）
- 大運: 12 pages
- 年運: 60 pages
問題: embedding次元不整合（vector(1536) vs config=1280）でsearch/query全滅。修復が必要。
③ MEGURU Obsidian raw（2,589ファイル、未加工）
| カテゴリ | ファイル数 | 重複除去後 |
|---|---|---|
| 方位別星解説 | 482 | ~96 |
| 星の解説 | 557 | ~100 |
| 恋愛パターン | 200 | ~100 |
| 日干×地支 | 225 | ~120 |
| 十二大従星（中年/晩年） | 24 | 24 |
| 方位関係（冲/破/半会/方三位） | 32 | 32 |
| 番外編 | 9 | 9 |
| DB系 | 73 | ~30 |
| キャラクター | 8 | 8 |
| 無題 | 3 | 0 |
| 重複(2.md) | 285 | 0 |
| 重複(3.md) | 10 | 0 |
ギャップ分析
NotebookLMでカバーできているもの ✅
- 十大主星の基本性質（10星×各10ペア = 100パターン）
- 中央・北の方位別解説（21パターン）
- 基本概念（天中殺、大運、陽占、陰占、五行、十大主星、十二大従星、六十花甲子）
- 十二大主星×十二大従星の組み合わせ基本
- 陰陽五行の深い理解（塾PDF 75冊分）
NotebookLMに足りないもの ❌
| ギャップ | 重要度 | 代替ソース |
|---|---|---|
| 東・南・西の方位別星解説 | HIGH | MEGURU raw（96ファイル） |
| 十二大主星×5軸の詳細解説 | HIGH | gbrain（306ページ） |
| 十二大従星×4軸の詳細解説 | HIGH | gbrain（278ページ） |
| 中年期・晩年期の従星解説 | HIGH | MEGURU raw（24ファイル） |
| 大運の各相詳解 | MEDIUM | gbrain（12ページ） |
| 年運の詳細データ | MEDIUM | gbrain（60ページ） |
| 日干×地支の十大主星対応 | MEDIUM | MEGURU raw（120ファイル） |
| 恋愛パターンの独自解釈 | MEDIUM | MEGURU raw（100ファイル） |
| 冲・破・半会の詳解 | LOW | MEGURU raw（32ファイル） |
| 物語キャラクターの命式 | LOW | gbrain（371ページ） |
| 番外編の独自解釈記事 | LOW | MEGURU raw（9ファイル） |
推奨対応方針
Phase 1: NotebookLMへのsource追加（最優先）
gbrainの brain/learning/ にある高品質な構造化データをCSVに変換してNotebookLMに追加:
- 十二大主星×5軸 → CSV化して「さくらの教え」に追加（306 sources）
- 十二大従星×4軸 → CSV化して「さくらの教え」に追加（278 sources）
- 東・南・西の方位別星 → MEGURU rawから重複除外して追加（~72 sources）
Phase 2: gbrain修復（並行）
- embedding config を vector(1536) に統一
- APIキー設定（OpenAI text-embedding-3-small 等）
gbrain embed --staleで209チャンクを埋めるgbrain extract allでlink graph構築
Phase 3: MEGURU rawのクリーンアップ（後回し）
- 重複285+10件を隔離
- 無題3件を削除
- 正本だけをNotebookLM/gbrainに追加
結論
NotebookLMはすでにRAGとして実用レベル。基本概念から推論できる範囲が広い。
gbrainの brain/learning/ 584ページ（十二大主星×5軸、十二大従星×4軸）をNotebookLMに追加すれば、回答の深度と正確性が劇的に向上する。
まずは Phase 1 の gbrain → NotebookLM source追加をworkflowで実行する。