GraphRAGとエージェントアーキテクチャー入門 - Neo4jのプロトタイプ環境NeoConverseから学ぶ

はじめに

Neo4jのブログ記事「A Practical Experimentation of GraphRAG and Agentic Architecture With NeoConverse」を参考に、GraphRAGとエージェントアーキテクチャーの基本概念についてまとめます。

「NeoConverse」はNeo4j社の実験的なGenAIアプリケーションで、GraphRAGとエージェントアーキテクチャーを組み合わせたプロトタイプ環境です。次世代AI技術の可能性を探るための実証環境として開発されています。詳細は記事末尾の参考リンクをご覧ください。

RAGとGraphRAGの違い

従来のRAG（Retrieval-Augmented Generation）

従来のRAGは、ドキュメントを小さなチャンクに分割し、ベクトル化して検索する手法です。

主な課題:

• 関係性の理解が弱い - 単語の類似性ベースの検索で、エンティティ間の関係性の推論が難しい
• 断片化されたコンテキスト - 文書は孤立したチャンクとして扱われ、全体的な関係性が見えにくい

GraphRAG

GraphRAGはナレッジグラフを活用し、エンティティと関係性を中心に据えたアプローチです。

主な利点:

• 関係性を活かした検索 - グラフ構造を探索して、必要なノードと関係を正確に特定
• マルチホップクエリ - 複数のエンティティをまたいだ関係性（例：「A社→B製品→C業界」）を1クエリで取得
• 説明可能な推論 - 回答の導出プロセスをグラフ上で追跡可能

エージェントアーキテクチャーとは

エージェントアーキテクチャーは、タスクを専門コンポーネント（エージェントやツール）に委任するアプローチです。

• ツール: データベース検索や計算機などの特定機能
• エージェント: 1つ以上のツールを調整する意思決定者

主なタイプ

1. シングルエージェント: LLMが直接ツールを使用（ChatGPTプラグインなど）
2. マルチエージェント: 複数の専門エージェントが協力（LangGraphなど）
3. オーケストレーション: 中央LLMがエージェントネットワークを統括（Bedrock Agentsなど）

利点

• 精度向上: 個別のエージェントを専門家が調整可能
• 複雑なワークフロー対応: 複数ツールの連携が可能
• 拡張性: 新しいAIサービスを随時追加可能

NeoConverseの仕組み

NeoConverseのシンプルな動作フロー:

1. ユーザーが自然言語で質問
2. LLMが意図を解析し適切なツールを選択
3. 専門ツールが利用可能なら実行、なければText2Cypher（自然言語からNeo4jのCypherクエリを自動生成し、データベースに直接問い合わせる機能）にフォールバック
4. 取得したコンテキストを基にLLMが回答を生成
5. ユーザーに根拠のある回答を提供

実験例: GraphRAG vs 従来のRAG

「Palantirの顧客について」という質問での比較:

従来のRAG:

• 関連性の低いドキュメントも取得
• 別企業（WeWork）の顧客情報と混同
• 不正確な回答を生成

GraphRAG:

• Palantirノードを中心に関連情報を検索
• エンティティ間の関係を正確に把握
• 正確な顧客リストを提供

エージェントアーキテクチャの対応プロセス

エージェントアーキテクチャは以下のように効率的に対応します：

1. 分析フェーズ：システムが質問を分析し、必要な情報を識別

2. ツール選択：それぞれの情報に最適なツールを自動選択

   • データベースクエリツール：メディア報道数の多い企業を特定
   • 企業情報ツール：選ばれた企業の詳細情報を取得
   • 株価情報ツール：リアルタイムの株価データを取得

3. 情報収集：システムが各ツールを効率的に起動

   • まず「Accenture」が最も報道されている企業と特定
   • Accentureに関する企業情報を取得
   • Accentureの株価情報（ティッカー：ACN）を取得

4. 情報統合：複数のソースからの情報を統合して完全な回答を生成

まとめ

GraphRAGは関係性重視の検索を可能にし、エージェントアーキテクチャはタスクの効率的な分担と実行を実現します。両者を組み合わせることで、より正確で文脈を理解した回答が可能になります。

NeoConverseは、これらのコンセプトを実験的に実装したオープンソースプロジェクトです。

参考情報