コンテキスト分離仕様

AIKernel は、LLM に渡す前に情報をカテゴリ単位で厳密に分離します。本仕様は注意（attention）を保護し、推論能力を最大化するためのものです。

1. 分離すべき項目

次の情報を推論コンテキストへ混在させてはなりません。

• examples / samples
• RAG fragments
• stylistic instructions
• past history
• noisy information

これらは attention pollution の主因であり、推論純度を破壊します。

2. 理論的背景（Attention Pollution）

アップロード済み文書より:

"An LLM's inference capability depends on attention purity. When attention is drawn to surface structures, inference halts and the system falls into surface-mode." — Attention Pollution Theory

注意資源は有限です。抽象構造・目的・制約に集中させる必要があります。

examples、style、RAG fragments、history、noise を混在させると、次が発生します。

• inference halt
• surface-mode
• hallucination の増加
• purpose の喪失

3. Failure Modes

コンテキスト分離を強制しない場合、次の失敗が発生します。

3.1 Surface-mode

アップロード済み文書より:

"LLMs fall into surface-mode when exposed to examples. This means loss of inference capability." — Risks of Surface-Mode Failure

特徴:

• style-only mimicry
• no inference
• no structural understanding
• loss of purpose

3.2 Inference halt

• structure に注意が向かない
• reasoning depth が崩壊する
• chain-of-thought が途切れる

3.3 Increased hallucination

• RAG と context の混在が factuality を壊す

3.4 Broken deterministic replay

• history と question の混在が再現性を壊す

4. 分離方法（3-Context Model）

AIKernel は情報を 3 つのコンテキストに分離します。

4.1 OrchestrationContext（推論用）

推論に必要な情報のみを含めます。

• purpose
• constraints
• abstract structure
• reasoning patterns

examples、style、RAG を含めてはなりません。

4.2 ExpressionContext（表現用）

— 推論完了後にのみ適用

ExpressionContext は推論が完了した後にのみ適用されます。

AIKernel は、推論（Orchestration）と表現（Expression）を物理的に分離した二段階プロセスとして扱います。

これにより、style、examples、metaphors が推論を汚染することを防ぎ、surface-mode を回避します。

ExpressionContext に含める内容:

• style
• examples
• explanatory text
• metaphors

4.3 MaterialContext（素材用）

— 構造化が必須

MaterialContext 内の RAG fragments や外部情報は、OrchestrationContext へ生のまま渡してはなりません。

Material 処理手順:

1. Retrieval（RAG / Provider）
2. Normalization（不要データの除去）
3. Structuring（分解・抽象化・意味の単位化）
4. 必要部分のみを OrchestrationContext へ転送

これは、RAG を生で LLM へ渡すアプローチと本質的に異なります。構造化は hallucination 抑制の中核です。

5. History の扱い

— Material と Orchestration の境界

history は主要な attention polluter であり、慎重に扱う必要があります。

5.1 history を Material として扱う場合

• 過去の事実を参照する場合
• history を外部データとして扱うべき場合
• history の抽象化・要約が必要な場合

この場合、history は MaterialContext に置き、構造化してから OrchestrationContext へ転送します。

5.2 history を Orchestration として扱う場合

• 現在の purpose や constraints に直接影響する場合
• 会話継続に必要な最小コンテキストのみが必要な場合

この場合でも、生の history を渡してはなりません。

5.3 禁止事項

• 生の history を OrchestrationContext に混在させない
• 未処理の長い history を LLM に渡さない

AIKernel は history を「material」と「最小 orchestration context」に分離し、混在を避けることで deterministic replay を保護します。

6. AIKernel における実装保証

Kernel / Pipeline / Context Isolation は、この仕様を構造的に強制するよう設計されています。

• Kernel は 3 つのコンテキストを分離する
• Pipeline は各ステップでコンテキストを明示する
• ProviderRouter は MaterialContext を直接渡さない
• LlmController は推論時に ExpressionContext を混在させない

これにより、カテゴリ混在を構造的に不可能にします。

7. 目的（Why）

コンテキスト分離の目的:

• inference purity の最大化
• attention pollution の防止
• surface-mode の回避
• LLM の抽象推論能力の最大化
• deterministic replay の保証
• OS レベル整合性の維持

8. 関連文書

• Principles of Information Category Separation
• Attention Pollution Theory
• Risks of Surface-Mode Failure
• Preprocessing vs Prompting
• AIKernel vs LangChain — Structural Comparison

変更履歴

• v0.0.0 / v0.0.0.0: 初期ドラフト
• v0.0.1 (2026-05-06): ドキュメント規約に基づくバージョン更新