はじめに
ベクトル検索は セマンティクス に従って検索しますが、エンティティ間の 関係は理解できません。質問にマルチホップ推論が必要な場合、ベクトル検索は失敗することがよくあります。
例: 「プロジェクトマネージャーのアルファの上司は誰ですか?」
- ベクトル検索で「Alpha project」を含む段落が見つかる → PM が Minh であることがわかる
- しかし、「Minh の上司」は別のチャンクにあり、意味的に無関係であるため、見つかりません。
- ナレッジグラフ:
Minh --[quản_lý]--> Alpha、Hùng --[quản_lý]--> Minh→今すぐ返信してください！
この記事の内容は次のとおりです。
- ナレッジ グラフ — ドキュメントからエンティティ関係グラフを構築する
- Graph RAG — マルチホップ推論のためにグラフとベクトルを組み合わせます
- Microsoft GraphRAG — 実稼働対応のフレームワーク
1. 基礎知識グラフ
1.1 概念
Knowledge Graph = Đồ thị gồm:
- Nodes (entities): Người, Địa điểm, Dự án, Phòng ban...
- Edges (relationships): quản_lý, thuộc_về, làm_việc_tại...
Ví dụ:
[Minh] ──quản_lý──→ [Dự án Alpha]
[Minh] ──thuộc_về──→ [Phòng IT]
[Hùng] ──quản_lý──→ [Minh]
[Hùng] ──thuộc_về──→ [Ban Giám đốc]
[Dự án Alpha] ──sử_dụng──→ [Python]
[Dự án Alpha] ──deadline──→ [2025-06-30]
1.2 テキストからナレッジグラフを抽出する
"""Dùng LLM để trích xuất entities và relationships"""
from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
EXTRACT_PROMPT = ChatPromptTemplate.from_messages([
("system", """Trích xuất entities và relationships từ đoạn văn.
Output dạng JSON:
{{
"entities": [
{{"name": "...", "type": "Person|Org|Project|Location|Tech"}},
],
"relationships": [
{{"source": "...", "relation": "...", "target": "..."}},
]
}}"""),
("human", "{text}"),
])
text = """Minh là Project Manager của dự án Alpha, thuộc phòng IT.
Dự án Alpha sử dụng Python và PostgreSQL, deadline 30/6/2025.
Minh báo cáo trực tiếp cho Giám đốc Hùng."""
result = (EXTRACT_PROMPT | llm).invoke({"text": text})
print(result.content)
# {
# "entities": [
# {"name": "Minh", "type": "Person"},
# {"name": "Alpha", "type": "Project"},
# {"name": "Phòng IT", "type": "Org"},
# {"name": "Hùng", "type": "Person"},
# {"name": "Python", "type": "Tech"},
# {"name": "PostgreSQL", "type": "Tech"}
# ],
# "relationships": [
# {"source": "Minh", "relation": "quản_lý", "target": "Alpha"},
# {"source": "Minh", "relation": "thuộc_về", "target": "Phòng IT"},
# {"source": "Alpha", "relation": "sử_dụng", "target": "Python"},
# {"source": "Alpha", "relation": "sử_dụng", "target": "PostgreSQL"},
# {"source": "Minh", "relation": "báo_cáo", "target": "Hùng"}
# ]
# }
1.3 Neo4j に保存する
"""Lưu Knowledge Graph vào Neo4j"""
from neo4j import GraphDatabase
driver = GraphDatabase.driver(
"bolt://localhost:7687",
auth=("neo4j", "password")
)
def create_graph(entities, relationships):
with driver.session() as session:
# Tạo nodes
for entity in entities:
session.run(
"MERGE (n:{type} {{name: $name}})".format(type=entity["type"]),
name=entity["name"]
)
# Tạo edges
for rel in relationships:
session.run(
"""MATCH (a {{name: $source}}), (b {{name: $target}})
MERGE (a)-[:{relation}]->(b)""".format(relation=rel["relation"]),
source=rel["source"],
target=rel["target"]
)
# Query: "Ai quản lý dự án Alpha?"
result = session.run("""
MATCH (person)-[:quản_lý]->(project {name: 'Alpha'})
RETURN person.name
""")
# → "Minh"
# Multi-hop: "Sếp của người quản lý dự án Alpha?"
result = session.run("""
MATCH (boss)-[:quản_lý]->(manager)-[:quản_lý]->(project {name: 'Alpha'})
RETURN boss.name
""")
# → "Hùng" ← Vector search KHÔNG THỂ trả lời!
💡 演習 1: テキスト (少なくとも 10 個のエンティティ) からナレッジ グラフを抽出します。 Neo4j に保存します。 3 つのマルチホップの質問を試みます。
2. グラフ RAG — グラフ + ベクトルの組み合わせ
2.1 アーキテクチャ
User Query
│
┌───────────┼───────────┐
│ │
┌───────┴───────┐ ┌───────┴───────┐
│ Vector Store │ │ Knowledge │
│ (semantic) │ │ Graph (Neo4j)│
└───────┬───────┘ └───────┬───────┘
│ │
Semantic chunks Graph traversal
(context rộng) (quan hệ chính xác)
│ │
└───────────┬───────────┘
│
Merge context
│
LLM → Answer
2.2 LangChain + Neo4j による実装
"""Graph RAG: kết hợp Neo4j graph + Chroma vector"""
from langchain_community.graphs import Neo4jGraph
from langchain.chains import GraphCypherQAChain
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o", temperature=0)
# Neo4j graph
graph = Neo4jGraph(
url="bolt://localhost:7687",
username="neo4j",
password="password",
)
# GraphCypherQAChain: LLM tự viết Cypher query
graph_chain = GraphCypherQAChain.from_llm(
llm=llm,
graph=graph,
verbose=True,
)
# Query multi-hop
result = graph_chain.invoke(
"Liệt kê tất cả tech stack mà team của Hùng sử dụng?"
)
# LLM tự generate Cypher:
# MATCH (Hùng {name:'Hùng'})-[:quản_lý]->(person)
# -[:quản_lý]->(project)-[:sử_dụng]->(tech)
# RETURN DISTINCT tech.name
2.3 ハイブリッド: グラフ コンテキスト + ベクトル コンテキスト
"""Kết hợp graph traversal + vector search"""
def hybrid_graph_rag(question, graph_chain, vector_retriever, llm):
# 1. Graph context (quan hệ, facts)
try:
graph_context = graph_chain.invoke(question)["result"]
except Exception:
graph_context = "Không tìm thấy thông tin trong graph."
# 2. Vector context (nội dung chi tiết)
vector_docs = vector_retriever.invoke(question)
vector_context = "\n".join([d.page_content for d in vector_docs])
# 3. Merge và trả lời
prompt = f"""Dựa trên thông tin sau, trả lời câu hỏi.
**Thông tin từ Knowledge Graph:**
{graph_context}
**Thông tin từ tài liệu:**
{vector_context}
**Câu hỏi:** {question}
**Trả lời:**"""
return llm.invoke(prompt).content
3. Microsoft GraphRAG
3.1 GraphRAG アーキテクチャ
Microsoft GraphRAG はパイプライン全体を自動化します。
Documents → Entity Extraction → Community Detection → Summarization
│ │ │
Entities & Groups of related Summary per
Relationships entities (Leiden) community
│ │ │
└───────────────────────┼────────────────────┘
│
Query modes:
Local search │ Global search
(specific) │ (broad themes)
3.2 Microsoft GraphRAG のセットアップ
# Cài đặt
pip install graphrag
# Init project
graphrag init --root ./my-rag-project
# Cấu hình settings.yaml
# - llm: model, api_key
# - embeddings: model
# - chunks: size, overlap
"""Index tài liệu"""
# graphrag index --root ./my-rag-project
# → Tự extract entities, build graph, detect communities, summarize
"""Query"""
# Local search: tìm thông tin cụ thể
# graphrag query --root ./my-rag-project --method local \
# --query "Ai quản lý dự án Alpha?"
# Global search: tổng hợp theo chủ đề
# graphrag query --root ./my-rag-project --method global \
# --query "Tóm tắt các dự án đang triển khai và tech stack?"
3.3 ローカル検索とグローバル検索
| モード | 仕組み | いつ使用するか |
|---|---|---|
| ローカル | 関連するエンティティを検索 → グラフをトラバース → コンテキスト | 具体的で事実に基づく質問 |
| グローバル | コミュニティの概要を使用する → 概要 | 一般質問、テーマ |
4. GraphRAG と Vector RAG の比較
4.1 ベンチマーク
| 基準 | ベクトルラグ | グラフ RAG | ハイブリッド |
|---|---|---|---|
| シングルホップクエリ | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ |
| マルチホップクエリ | ⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| 要約 | ⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
| セットアップの複雑さ | ⭐ (シンプル) | ⭐⭐⭐ (複雑) | ⭐⭐⭐⭐ |
| インデックス作成のコスト | 低い | Cao (LLM 抽出物) | 曹操 |
| クエリのレイテンシ | 速い | 遅い | 平均 |
4.2 Graph RAG をいつ使用するか?
✅ Dùng Graph RAG khi:
- Câu hỏi multi-hop, cần suy luận qua nhiều entities
- Tài liệu có nhiều quan hệ phức tạp (org chart, supply chain)
- Cần tổng hợp theo chủ đề (global search)
- Domain có entity types rõ ràng (legal, medical, HR)
❌ KHÔNG cần Graph RAG khi:
- Câu hỏi đơn giản, 1-hop
- Tài liệu ít quan hệ (blog posts, FAQ)
- Budget thấp (indexing tốn nhiều LLM calls)
- Latency-critical (graph query chậm hơn vector)
💡 演習 2: Microsoft GraphRAG を使用してドキュメント フォルダーのインデックスを作成します。 5 つの具体的な質問 + 5 つの一般的な質問について、ローカル検索結果とグローバル検索結果を比較します。
概要
| コンセプト | 覚えておいてください |
|---|---|
| ナレッジ グラフ | エンティティ関係グラフ、マルチホップに適しています |
| エンティティの抽出 | LLM を使用してテキストからエンティティと関係を抽出する |
| Neo4j | グラフ データベース、Cypher を使用したクエリ |
| GraphCypherQAChain | LLM は独自の Cypher クエリを作成します。 |
| Microsoft GraphRAG | フレームワーク自動: 抽出 → コミュニティ → 要約 |
| ローカル vs グローバル | ローカル = 具体的な事実、グローバル = テーマ |
| ハイブリッド | グラフの事実 + ベクトルのコンテキスト = 最良の結果 |
一般的な演習
- ✅ 2 つの小さな演習 (1、2) を完了します。
- 完全なグラフ パイプライン: 10 個以上のドキュメントから独自のナレッジ グラフを構築します。 LLM を使用してエンティティを抽出 → Neo4j を保存 → GraphCypherQAChain を実装 → 10 個のマルチホップ センテンスをテストします。
- ハイブリッド システム: 組み合わせたシステムを構築します: Neo4j グラフ + クロマ ベクトル。ルーターは質問の種類に応じてデータ ソースを自動的に選択します。純粋なベクトル RAG と精度を比較します。
- 視覚化: Neo4j からグラフをエクスポート → NetworkX または Neo4j ブラウザを使用して視覚化します。スクリーンショット 1 つのサブグラフには少なくとも 20 個のノードがあります。
次の記事: マルチモーダル RAG — ドキュメント内の画像、表、グラフを処理します — RAG はテキストだけを扱うものではありません。