Decompose

🚀 Decompose

プロンプトを止め、分解を始めましょう。

AIエージェント向けの決定的なテキスト分類です。Decomposeは、あらゆるテキストを即座に分類された構造化された意味単位に変換します。LLM不要、セットアップ不要、関数呼び出し1回です。

変換前: エージェントが読む内容

The contractor shall provide all materials per ASTM C150-20. Maximum load
shall not exceed 500 psf per ASCE 7-22. Notice to proceed within 14 calendar
days of contract execution. Retainage of 10% applies to all payments.
For general background, the project is located in Denver, CO...

変換後: エージェントが読む内容

[
  {
    "text": "The contractor shall provide all materials per ASTM C150-20.",
    "authority": "mandatory",
    "risk": "compliance",
    "type": "requirement",
    "irreducible": true,
    "attention": 8.0,
    "entities": ["ASTM C150-20"]
  },
  {
    "text": "Maximum load shall not exceed 500 psf per ASCE 7-22.",
    "authority": "prohibitive",
    "risk": "safety_critical",
    "type": "constraint",
    "irreducible": true,
    "attention": 10.0,
    "entities": ["ASCE 7-22"]
  }
]

すべての単位が分類され、すべての基準が抽出され、すべてのリスクが評価されます。エージェントは何が重要かを知ります。

📦 インストール

pip install decompose-mcp

💻 使用例

MCPサーバーとして使用

エージェントのMCP設定（Claude Code、Cursor、Windsurfなど）に追加します。

{
  "mcpServers": {
    "decompose": {
      "command": "uvx",
      "args": ["decompose-mcp", "--serve"]
    }
  }
}

エージェントは2つのツールを取得します。

• decompose_text — 任意のテキストを分解します。
• decompose_url — URLを取得し、その内容を分解します。

OpenClaw

ClawHubからスキルをインストールするか、直接設定します。

{
  "mcpServers": {
    "decompose": {
      "command": "python3",
      "args": ["-m", "decompose", "--serve"]
    }
  }
}

または、スキルをインストールします。clawdhub install decompose-mcp

CLIとして使用

# テキストをパイプで渡す
cat spec.txt | decompose --pretty

# インラインで指定
decompose --text "The contractor shall provide all materials per ASTM C150-20."

# コンパクトな出力（小さいJSON）
cat document.md | decompose --compact

ライブラリとして使用

from decompose import decompose_text, filter_for_llm

result = decompose_text("The contractor shall provide all materials per ASTM C150-20.")

for unit in result["units"]:
    print(f"[{unit['authority']}] [{unit['risk']}] {unit['text'][:60]}...")

# LLMコンテキスト用に事前フィルタリング — 高価値の単位のみを保持
filtered = filter_for_llm(result, max_tokens=4000)
print(f"{filtered['meta']['reduction_pct']}% token reduction")
llm_input = filtered["text"]  # LLMに渡す準備完了

📚 詳細ドキュメント

各フィールドの意味

これを使って構築できるもの

Decomposeは目的地ではありません。多くの開発者がスキップしているLLMの前のステップです。難しいからではなく、それが存在することを誰も教えてくれなかったからです。ドキュメントには構造があり、その構造は分類可能です。そして、分類は推論の前に行うべきです。

Without:  document → chunk → embed → retrieve → LLM → answer  (100% of tokens)
With:     document → decompose → filter/route → LLM → answer  (20-40% of tokens)

フィルタリング: 組み込みのLLM事前フィルタ

filter_for_llm() は、必須、安全上重要、財務、コンプライアンスの単位を保持し、LLMやベクトルストアに到達する前に定型文を削除します。

from decompose import decompose_text, filter_for_llm

result = decompose_text(open("contract.md").read())
filtered = filter_for_llm(result, max_tokens=4000)

# filtered["text"] = 高価値の単位のみ、LLMに渡す準備完了
# filtered["meta"]["reduction_pct"] = 削除された割合（通常60-80%）

# または、単位を直接埋め込みに使用
for unit in filtered["units"]:
    embed_and_store(unit["text"], metadata={
        "authority": unit["authority"],
        "risk": unit["risk"],
        "attention": unit["attention"],
    })

ルーティング: リスクベースの処理

安全上重要な内容は1つのチェーンに、財務関連の内容は別のチェーンに送ります。定型文はスキップします。

from decompose import decompose_text

result = decompose_text(spec_text)

for unit in result["units"]:
    if unit["risk"] == "safety_critical":
        safety_chain.process(unit)       # 完全な分析 + 人間のレビュー
    elif unit["risk"] == "financial":
        audit_chain.process(unit)         # 財務チームにフラグを立てる
    elif unit["attention"] < 0.5:
        pass                              # 定型文をスキップ
    else:
        general_chain.process(unit)       # 標準的なLLM分析

測定: トークンコストの削減

from decompose import decompose_text

result = decompose_text(spec_text)
total = len(result["units"])
high = [u for u in result["units"] if u["attention"] >= 1.0]

print(f"{len(high)}/{total} units need LLM analysis")
print(f"{100 - len(high) * 100 // total}% token reduction")

実行可能なスクリプトについては、 を参照してください。

🔧 技術詳細

なぜLLMを使用しないのか

Decomposeは純粋な正規表現とヒューリスティックに基づいて動作します。Ollama不要、APIキー不要、GPU不要、推論コスト不要です。

これは意図的なものです。

• 高速: 50ページの仕様書でも500ms未満
• 決定的: 同じ入力は常に同じ出力を生成
• オフライン: エアギャップ環境、飛行機内、CIでも動作
• 組み合わせ可能: エージェントのLLMは構造化された出力に基づいて推論し、Decomposeは前処理を担当

LLMは エージェント が使用するものです。Decomposeは、あなたが使用しているどのモデルでもより良く動作させます。

🔖 開発元

Decomposeは Echology によって開発され、建築、エンジニアリング、建設会社向けのドキュメントインテリジェンスプラットフォームである AECai から抽出されました。分類パターン、エンティティ抽出、および非還元性検出は、数千の実際のAECドキュメント（仕様書、契約書、RFI、検査報告書、支払申請書）に対して実戦検証されています。

Decomposeは独立したツールとしてリリースされました。最初はAECaiのテキスト分類モジュールとして始まり、幅広いドメイン（保険、取引、規制）で動作することが証明され、スタンドアロンでリリースされました。無料でMITライセンスです。

ケーススタディ: Open Scripture Intelligence

エンジニアリング仕様書を分類するのと同じチャンキングとエンティティ抽出パターンが、聖書を構造化します。Open Scripture Intelligence は、DecomposeのMarkdown対応チャンカーと正規表現によるエンティティ抽出を使用して、31,100の聖書の節を344,799の相互参照エッジと意味的な埋め込みを持つ知識グラフに変換します。これは、この手法がドメインに依存しないことを証明しています。

ブログ

• When Regex Beats an LLM — DecomposeはMCP仕様書を3.78msで分類します。
• Why Your Agent Needs a Cognitive Primitive — アテンションスコアリング、非還元性、およびルーティング
• What "Simulation-Aware" Actually Means — AECaiのアーキテクチャ

📄 ライセンス

MIT — Copyright (c) 2025-2026 Echology, Inc.