Graph RAGの仕組み

16
Graph RAGの仕組み
目次

はじめに

GraphRAG（Graph Retrieval-Augmented Generation）は、グラフデータベース（Neo4jなど）の構造的知識と、LLMの自然言語処理能力を統合するアプローチです。
ここでは、dbts2025で紹介したGraphRAGデモプログラムの仕組みを技術的に掘り下げて解説します。

システム全体構成

デモプログラムは以下のコンポーネントで構成されています。

  • GraphDB（Neo4j）
    業務データを格納する基盤。ノードとリレーションでデータの構造を表現。
  • ベクトルIndex
    各ノードのテキスト情報（例：部品名・顧客名）を埋め込みモデルでベクトル化し、類似度検索に利用。
    デモプログラムではNeo4jのベクトルIndexを利用しました。
  • LangChain
    RAG処理（検索＋生成）を統合的に管理するフレームワーク。
  • LLM
    自然言語を理解・生成し、Cypherクエリの生成や最終回答の出力を担当。
  • ユーザ
    自然言語で質問を入力するエンドユーザ。

これにより「自然言語の質問 → グラフDB検索 → Cypher実行 → 回答生成」のフローが自動化されます。

データ投入とベクトル化

Neo4jには以下のようなノードが投入してあります。

  • 顧客マスタ（CustomerMaster）
  • プロジェクト（Project）
  • 設備（Equipment）
  • 部品マスタ（PartMaster）
  • 部品（Part）
  • ベンダーマスタ（VendorMaster）
  • 故障履歴（Failure）
  • メンテナンス（Maintenance）

    ノードのテキスト情報は ベクトル化され、専用のIndexに保存されます。
    この設計により、質問文と意味的に近いノードを高速に検索できる仕組みが実現されます。

質問処理のフロー

  1. ベクトル検索による関連ノード取得
    ユーザが「この設備に含まれる部品は？」といった質問を入力すると、まず質問文を埋め込みベクトルに変換。
    → ベクトルIndexを用いて類似度検索を行い、関連するノード候補を抽出します。

  2. スキーマの取得
    次に、GraphDBのスキーマ情報を取得します。

    取得したスキーマの例：

    (:Project)-[:CUSTOMER]->(:CustomerMaster)  
(:Equipment)-[:BOM]->(:BOM)  
(:BOM)-[:MATERIAL]->(:Part)  
(:Part)-[:MASTER]->(:PartMaster)

    これにより、質問に関連するノード間の接続パターンを特定できます。

  3. Cypherクエリ生成
    「質問」「関連ノード」「スキーマ」を入力としてLLMに渡し、LangChainのプロンプトテンプレートでCypherクエリを自動生成します。

    生成されたCypherクエリの例：

    MATCH (c:CustomerMaster {name: "東日本エンジニアリング"})<-[:CUSTOMER]-(p:Project)-[:EQUIPMENT]->(e:Equipment)
MATCH (e)-[:BOM]->(b:BOM)-[:MATERIAL]->(part:Part)-[:MASTER]->(pm:PartMaster)
RETURN pm.name, part.lotNo

  4. クエリ実行と結果取得
    Neo4jでCypherクエリを実行し、検索結果（部品リスト、顧客情報など）を取得します。

  5. 回答生成
    最後に、質問文とクエリ結果を入力としてLLMが自然言語の回答を生成します。
    → ユーザーはグラフ構造を意識せず、自然言語で質問するだけで高度な検索が可能になります。

技術的特徴と利点

  1. 構造データと自然言語の橋渡し
    スキーマ＋ノード情報をLLMに渡すことで、誤ったCypherを生成しにくくしています。
  2. 意味検索の強化
    ベクトルIndexを利用することで、「曖昧な部品名」や「似た表現」を含む質問にも対応可能。
  3. 再利用性の高いアーキテクチャ
    これらの組み合わせは、他のドメインにも容易に転用できます。

    • Neo4jを使ったグラフDB管理
    • LangChainによるプロンプト設計
    • LLMを使った動的クエリ生成

まとめ

dbtsのGraphRAGデモプログラムは、

  • ベクトル検索で質問に関連するノードを特定し、
  • スキーマ情報を基に正確なCypherを生成し、
  • Neo4jでクエリを実行、
  • LLMで回答を自然言語に整形する

というフルパイプラインを実装しています。
デモ用のプログラムのため精度はそれほど高くありませんが、「構造化データの探索を自然言語で実現する仕組み」を実現する際には参考になると思います。