検索拡張生成（RAG）は、組織における最も広く使用されているLLMユースケースです。ドキュメントをベクトル化し、クエリ時に意味的に類似したチャンクを取得することで、RAGは幻覚（ハルシネーション）を軽減し、応答を根拠付け、モデルの事前学習によって課される静的な知識の制限を回避します。しかし、標準的なベクトルベースのRAGは、グローバルコンテキスト、マルチホップ推論、またはドキュメント間の集約を必要とする複雑なクエリに対して制限に直面します。

Graph RAGは、フラットなドキュメントの取得から構造化された知識の取得へと移行することでこの問題を解決します。Knowledge Graph（KG）をRAGパイプラインに統合し、データをノード（エンティティ）、エッジ（関係性）、プロパティとして格納します。これにより、現代のLLMの意味的・ファジーマッチング能力とKGの構造化された決定論的推論を組み合わせます。

この記事は、Graph RAGの6つの異なるアーキテクチャパターンについて、長所・短所・ユースケースとともに探求します。主要なコンポーネントには、LLMを使用したNERおよび関係性抽出のための情報抽出、Neo4jなどのデータベースにおけるグラフストレージ、検索メカニズム、そして取得されたグラフデータをLLMのコンテキストウィンドウに注入する生成が含まれます。

「Graph RAG」という用語は、根本的に異なる複数のアーキテクチャパターンを包括するものです。正しいパターンの選択は、ユーザーのクエリパターン、システムコスト、レイテンシ、機能要件に依存します。

主要エンティティ: 企業: Towards Data Science, Neo4j, Nebula Graph, Memgraph