GraphRAG
GraphRAG は、LLM がまず文書のコレクションからナレッジグラフを作り、関連するエンティティのグループごとに要約を書いたうえで、その要約とグラフのつながりを使って質問に答える検索の手法です。
別名: graph RAG
執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法
標準的な検索拡張生成は、質問に似た文章をいくつか取り出します。「返金の受付期間は?」には有効ですが、「この数千件のインタビューを通じた主なテーマは何か?」には通用しません。答えを含む単一の文章がないからです。GraphRAG は、こうしたコーパス全体に関わる質問に対応するため、2024 年に Microsoft の研究者が提案しました。
仕組み
インデックス作成には 2 つの段階があります。LLM がすべてのチャンクを読んでエンティティと関係を抽出し、ナレッジグラフを作ります。次にグラフを密接につながったエンティティのコミュニティに分け、LLM がそれぞれの要約を書きます。全体に関わる質問に答えるときは、関連する各コミュニティの要約が部分的な回答を出し、それらを組み合わせて最終的な回答にします。範囲の狭い質問には、一致するエンティティから始めて隣接するものをたどるローカルモードを使います。
手法とリポジトリ
「GraphRAG」は、手法と、Microsoft のオープンソースの実装の両方を指します。実装は GraphRAG でレビューしています。LightRAG などの 関連プロジェクトは、似た考え方をより軽いインデックス作成で実現しています。
トレードオフ
LLM がコーパス全体を、多くの場合は複数回処理するため、インデックス作成のコストが高く、文書が変わればグラフを作り直すか更新する必要があります。抽出の品質が回答の品質の上限になります。単純な検索なら、ハイブリッド検索を使った普通の RAG のほうが安く、通常は同じくらい有効です。ツールはナレッジグラフのガイドで扱っています。
関連用語
- ナレッジグラフ
- ナレッジグラフ(knowledge graph)とは、人、製品、場所、概念などのエンティティを名前の付いた関係で結んで情報を保存するものです。ソフトウェアは、ばらばらのテキストを検索する代わりに、事実の間のつながりをたどれます。
- 検索拡張生成(RAG)
- 検索拡張生成(retrieval-augmented generation、RAG)とは、システムがまず文書の集まりから質問に関連する文章を検索 し、その文章を言語モデルに渡して、それに基づいて回答させるパターンです。
- エージェント型 RAG
- エージェント型 RAG(agentic RAG)とは、AI エージェントが実行する検索拡張生成です。エージェントはいつ検索するか、何を検索するか、どの情報源を使うかを決め、最初の結果が不十分なら検索し直せます。
- ハイブリッド検索
- ハイブリッド検索(hybrid search)とは、同じクエリに対してキーワード検索とベクトル検索を実行し、2 つの順位付きリストを統合する検索です。正確な単語での一致と、意味での一致の両方を結果に反映できます。
- チャンキング
- チャンキング(chunking)とは、長い文書を埋め込みとインデックス化の前に小さな文章のまとまりに分割する手順です。検索システムは、文書のうちクエリに答える部分だけを見つけて返せるようになります。