0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

はじめに

最近話題のGraphRAGについて学びたいと思います!!

GraphRAG(Graph Retrieval-Augmented Generation)とは?

GraphRAG とは、ナレッジグラフ(知識のネットワーク)を使って検索精度を向上させる RAG の手法です。

従来の RAG が「Embedding+ベクトル検索」だけに依存していたのに対し、
GraphRAG は文書から エンティティ(概念) と 関係(Relation) を抽出し、
それらをグラフとして構造化してから検索に使います。


なぜ GraphRAG が必要なのか?

従来の RAG では以下の弱点があります:

  • テキスト間の 関係性 が失われる
  • 長文・複雑な文書では 文脈が途切れやすい
  • 「理由」「因果関係」「階層構造」などの 推論系質問に弱い

GraphRAG はナレッジグラフを用いることで、
文脈の一貫性 と 深い推論 を実現します。


GraphRAG の仕組み(ざっくり)

  1. 文書をチャンク化
  2. チャンクからエンティティ抽出(LLM)
  3. エンティティ間の関係を抽出(LLM)
  4. ナレッジグラフを構築(Neo4j 等)
  5. 質問に応じて関連サブグラフを検索
  6. 必要なテキストもベクトル検索で補完
  7. 「構造化情報+原文」を LLM に渡して回答生成

📌 特徴(メリット)

  • 文書間の 関係性を保持した検索 ができる
  • 「Why/How」などの 推論系質問に強い
  • 大規模ドキュメントでも 文脈が安定
  • 回答の 抜け漏れが減る

⚠ デメリット

  • グラフ構築が重い(LLM を大量に使う)
  • 文書更新時の KG メンテが必要
  • システム構築がやや複雑

🏗 どんなときに使うべき?

  • 長文・複雑な資料(仕様書・議事録・研究文献)が多い
  • 情報に「因果関係」「階層」「フロー」がある
  • FAQ ではなく 意思決定支援 をしたい
  • 普通のRAGでは精度が足りないと感じている

Hands-on

RAGではうまく回答できないが、GraphRAGだと回答できる例を学んでいこうと思います!!

1. 「なぜ?」と理由・因果を説明させたいとき

2つのドキュメントを元に「なぜ受付時間が短縮されたの?」と質問した時の回答。

RAGの場合:
「提供された情報からは、夜間救急の受付時間が短縮された理由を直接説明することはできません。

参考情報には新システム導入により処理時間が5分に短縮されたことは書かれていますが、夜間救急の受付時間短縮については言及がありません。そのため、質問に対して適切な回答を提供することができません。」

GraphRAGの場合:
「受付時間が短縮された理由は、新しいシステムの導入によるものです。

具体的には:

  • 旧システムでは受付処理に平均30分かかっていましたが
  • 新システムでは受付情報の自動入力とカルテ自動生成の機能により、処理時間が5分まで短縮されました

つまり、受付業務の自動化によって処理時間を大幅に削減することができたということです。」

実際のコード
import os
from dataclasses import dataclass
from typing import Dict, List

import networkx as nx
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI


# =========================================================
# 0. 環境設定(.env 読み込み & OpenRouter モデル設定)
# =========================================================

load_dotenv()

# あなたが以前使っていたスタイルに合わせて OpenRouter を設定
# モデル名はお好みで変更OK(例: "anthropic/claude-3.5-sonnet", "openai/gpt-4o" など)
llm = ChatOpenAI(
    model="anthropic/claude-3.5-sonnet",
    openai_api_key=os.getenv("OPENROUTER_API_KEY"),
    base_url="https://openrouter.ai/api/v1",
)


# =========================================================
# 1. 共通データ: ドキュメント & 質問
# =========================================================

documents: Dict[str, str] = {
    "doc_1": "旧システムでは、夜間救急の受付処理に平均30分かかっていた。",
    "doc_2": "新システムでは、受付情報の自動入力とカルテ自動生成により、処理時間が5分に短縮された。",
}

query = "なぜ夜間救急の受付時間が短縮されたの?"


# =========================================================
# 2. ナイーブ RAG 風(比較用)
# =========================================================

KEYWORDS: List[str] = ["夜間救急", "受付", "短縮", "時間"]


def naive_score(doc: str, query_keywords: List[str]) -> int:
    """めちゃくちゃ単純なスコアリング(キーワード出現回数)"""
    return sum(doc.count(k) for k in query_keywords)


def build_naive_rag_prompt() -> str:
    scores = {
        doc_id: naive_score(text, KEYWORDS)
        for doc_id, text in documents.items()
    }

    top_doc_id = max(scores, key=scores.get)
    top_doc = documents[top_doc_id]

    prompt = f"""
[Naive RAG 用プロンプト]

質問:
{query}

参考情報:
{top_doc}

上記の情報だけを使って答えてください。
"""
    return prompt.strip()


# =========================================================
# 3. GraphRAG 風: 因果関係をグラフで保持
# =========================================================

@dataclass
class GraphConfig:
    """ナレッジグラフ構成用の設定(サンプルでは固定)"""
    query_related_nodes: List[str]


def build_knowledge_graph() -> nx.DiGraph:
    """サンプル用に手書きで因果グラフを構築(本番は LLM 抽出などで自動化)"""
    G = nx.DiGraph()

    # ノード: どのドキュメントに書かれているか docs 属性で紐づけ
    G.add_node("旧システム", docs={"doc_1"})
    G.add_node("新システム", docs={"doc_2"})
    G.add_node("夜間救急の受付", docs={"doc_1", "doc_2"})
    G.add_node("処理時間30分", docs={"doc_1"})
    G.add_node("処理時間5分", docs={"doc_2"})
    G.add_node("自動入力", docs={"doc_2"})
    G.add_node("カルテ自動生成", docs={"doc_2"})

    # エッジ: relation 属性で関係ラベルを付ける(任意)
    G.add_edge("旧システム", "夜間救急の受付", relation="handles")
    G.add_edge("夜間救急の受付", "処理時間30分", relation="takes_time")

    G.add_edge("新システム", "夜間救急の受付", relation="handles")
    G.add_edge("夜間救急の受付", "処理時間5分", relation="takes_time")

    G.add_edge("新システム", "自動入力", relation="uses")
    G.add_edge("新システム", "カルテ自動生成", relation="uses")
    G.add_edge("自動入力", "処理時間5分", relation="contributes_to")
    G.add_edge("カルテ自動生成", "処理時間5分", relation="contributes_to")

    return G


def extract_subgraph_docs(G: nx.DiGraph, config: GraphConfig) -> Dict[str, str]:
    """
    質問に関連しそうなノードから 1〜2 ホップ辿ってサブグラフを作り、
    そこにぶら下がっている doc_id を集める。
    """
    sub_nodes = set()

    for start in config.query_related_nodes:
        if start not in G:
            continue
        sub_nodes.add(start)

        # 1ホップ先
        sub_nodes.update(G.predecessors(start))
        sub_nodes.update(G.successors(start))

        # 2ホップ先(簡易)
        for n in list(G.predecessors(start)) + list(G.successors(start)):
            sub_nodes.update(G.predecessors(n))
            sub_nodes.update(G.successors(n))

    subgraph = G.subgraph(sub_nodes)

    related_doc_ids = set()
    for _, attrs in subgraph.nodes(data=True):
        if "docs" in attrs:
            related_doc_ids.update(attrs["docs"])

    return {doc_id: documents[doc_id] for doc_id in related_doc_ids}


def build_graph_rag_prompt() -> str:
    G = build_knowledge_graph()

    config = GraphConfig(
        query_related_nodes=[
            "夜間救急の受付",
            "処理時間30分",
            "処理時間5分",
        ]
    )

    related_docs = extract_subgraph_docs(G, config)

    context_text = "\n".join(
        f"[{doc_id}] {text}" for doc_id, text in related_docs.items()
    )

    prompt = f"""
[GraphRAG 用プロンプト]

質問:
{query}

ナレッジグラフから取得した関連ノード・エッジに紐づくドキュメント:

{context_text}

これらの情報をもとに、
「なぜ受付時間が短縮されたのか」を日本語でわかりやすく説明してください。
"""
    return prompt.strip()


# =========================================================
# 4. OpenRouter × LangChain で LLM を叩く関数
# =========================================================

def call_llm_with_openrouter(prompt: str) -> str:
    """
    ChatOpenAI(=OpenRouter) にそのまま文字列プロンプトを渡して呼び出す。
    ChatOpenAI は str を渡すと "human" メッセージとして扱ってくれる。
    """
    res = llm.invoke(prompt)
    # ChatMessage 形式なので .content を参照
    return res.content


# =========================================================
# 5. 実行例(Naive RAG vs GraphRAG)
# =========================================================

def main():
    print("=== Naive RAG ===")
    naive_prompt = build_naive_rag_prompt()
    print("----- prompt -----")
    print(naive_prompt)
    print("\n----- answer -----")
    naive_answer = call_llm_with_openrouter(naive_prompt)
    print(naive_answer)

    print("\n\n=== GraphRAG ===")
    graph_prompt = build_graph_rag_prompt()
    print("----- prompt -----")
    print(graph_prompt)
    print("\n----- answer -----")
    graph_answer = call_llm_with_openrouter(graph_prompt)
    print(graph_answer)


if __name__ == "__main__":
    main()
実行結果
(venv) ~/develop/langchain_study  (main)$ python3 graph_rag.py
=== Naive RAG ===
----- prompt -----
[Naive RAG 用プロンプト]

質問:
なぜ夜間救急の受付時間が短縮されたの?

参考情報:
新システムでは、受付情報の自動入力とカルテ自動生成により、処理時間が5分に短縮された。

上記の情報だけを使って答えてください。

----- answer -----
提供された情報からは、夜間救急の受付時間が短縮された理由を直接説明することはできません。

参考情報には新システム導入により処理時間が5分に短縮されたことは書かれていますが、夜間救急の受付時間短縮については言及がありません。そのため、質問に対して適切な回答を提供することができません。


=== GraphRAG ===
----- prompt -----
[GraphRAG 用プロンプト]

質問:
なぜ夜間救急の受付時間が短縮されたの?

ナレッジグラフから取得した関連ノード・エッジに紐づくドキュメント:

[doc_2] 新システムでは、受付情報の自動入力とカルテ自動生成により、処理時間が5分に短縮された。
[doc_1] 旧システムでは、夜間救急の受付処理に平均30分かかっていた。

これらの情報をもとに、
「なぜ受付時間が短縮されたのか」を日本語でわかりやすく説明してください。

----- answer -----
受付時間が短縮された理由は、新しいシステムの導入によるものです。

具体的には:
- 旧システムでは受付処理に平均30分かかっていましたが
- 新システムでは受付情報の自動入力とカルテ自動生成の機能により、処理時間が5分まで短縮されました

つまり、受付業務の自動化によって処理時間を大幅に削減することができたということです。

RAGがうまくいかない理由

RAGは下記フローで判定している。RAGの場合は質問に最も類似する回答を返却します。今回だと「短縮」「5分」が単語に含まれたため、doc_2が採用され返却。質問に対して類似する情報は返却されても、その答えとなる回答は含まれないため、うまく回答ができませんでした。

GraphRAGがうまくいった理由

GraphRAGはその名の通り、グラフ構造から取得していきます。
事前にナレッジグラフを作成しておき、質問が全体のどこに該当するかを探索。
対象となる箇所の原因となるのが

→事前に定義したナレッジグラフから何が要因なのかを判定できるというものです。

最後に

いかがでしたか??まだいまいちGraphRAGを理解しきれてはいないんですが、概要は掴めてきた気がします。深く理解するためにこれから色々調べていこうと思います!!

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?