ナレッジグラフ × LLM

Vector similarityだけでは、局所的に近い断片の検索はできても、文書集合全体の関係、複数hopの依存、entity間接続、global sensemakingを直接表現しにくい。GraphRAG/KG-RAGはこれを補完し得るが、LLM抽出graphは原典そのものではなく派生表現であり、誤抽出・entity resolution・staleness・ACL・index構築費用を新しいfailure surfaceとして持つ。将来版では「graphを使う=正確になる」とせず、どのquery classに何を追加する技術かを限定して扱う必要がある。

Enterprise AI Core / implementation / retrieval & knowledge architecture / benchmark-evaluation / governance / provider mapping / interoperability

• Knowledge graph/GraphRAGは、vector-only RAGが弱いglobal/corpus-level・relationship-heavy queryを補完できるか。
• LLM-derived graphとauthoritative enterprise graphを同一視せず、provenance・freshness・ACL・schema/ontologyをどう保持すべきか。
• graph retrievalの改善claimを、特定benchmark/query classから一般的な製品保証へ外挿せず評価するには何を測るべきか。

• source class: primary paper exact title: From Local to Global: A Graph RAG Approach to Query-Focused Summarization author/org: Darren Edge et al. / Microsoft-affiliated authors canonical URL: https://arxiv.org/abs/2404.16130 publication/update/access date: v1 2024-04-24; v2 2025-02-19; accessed 2026-09-15 version/release/tag/commit/API revision/model ID: arXiv:2404.16130v2 supporting locator: abstract / method / evaluation label: RESEARCH relation: support + limit note: LLM-derived entity graph + community summariesを用い、約1M-token規模の対象でglobal sensemaking questionに対しnaive RAG baselineよりcomprehensiveness/diversity改善を報告。評価対象は限定されたquery class/datasetsであり、全RAG workloadへの一般化は不可。

• source class: original research/project documentation exact title: Project GraphRAG author/org: Microsoft Research canonical URL: https://www.microsoft.com/en-us/research/project/graphrag/ publication/update/access date: accessed 2026-09-15 version/release/tag/commit/API revision/model ID: project current page; exact software release not established in this packet supporting locator: project overview / GraphRAG research timeline label: SOURCE_REPORT / OSS_PRACTICE relation: context + implementation note: text extraction、network analysis、LLM prompting/summarizationを統合するend-to-end systemとしてGraphRAGを位置付ける。research project/OSS methodologyの存在と、特定enterprise deploymentのSLA/supportを混同しない。

• source class: provider official product announcement exact title: Amazon Bedrock Knowledge Bases supports GraphRAG now generally available author/org: Amazon Web Services canonical URL: https://aws.amazon.com/about-aws/whats-new/2025/03/amazon-bedrock-knowledge-bases-graphrag-generally-available/ publication/update/access date: 2025-03-07; accessed 2026-09-15 version/release/tag/commit/API revision/model ID: Bedrock Knowledge Bases GraphRAG GA; Neptune Analytics dependency supporting locator: announcement paragraphs describing embeddings + entity/relationship graph + vector similarity + graph traversal; region gate label: VERIFIED_SPEC / PRODUCT_VOLATILE relation: support + availability limit note: GraphRAGはAmazon Neptune Analyticsにvector embeddingsとentity/relationship graphを保存し、vector similarityとgraph traversalを組み合わせる。Bedrock Knowledge BasesとNeptune Analytics双方が利用可能なregionに限定。

• source class: author-maintained implementation documentation exact title: GraphRAG for Python author/org: Neo4j canonical URL: https://neo4j.com/docs/neo4j-graphrag-python/current/ publication/update/access date: accessed 2026-09-15 version/release/tag/commit/API revision/model ID: current docs; exact package version not fixed in this packet supporting locator: current GraphRAG Python documentation label: OSS_PRACTICE / PRODUCT_VOLATILE relation: implementation context note: graph databaseを使うGraphRAG実装経路が現行で提供されることを確認。特定version behaviorは後続Workでpackage release/tagを再固定する。

• GraphRAGは単一方式ではない。少なくとも「LLMで非構造文書からgraphを派生しcommunity/global summaryへ使う方式」と「既存/生成graphをvector retrieval + graph traversalへ使う方式」を分けるべきである。
• Microsoft primary researchが直接確立するのは、特定のglobal sensemaking query classでのnaive RAG比改善であり、一般QA・transactional lookup・全domainでの優越ではない。
• AWSのGA実装は、vectorとgraph traversalのhybrid retrievalが商用managed pathとして存在することを確立する。ただしregion/service dependencyがavailability gateになる。
• Knowledge graphはground truthではない。LLM-derived entity/relation/claimはsourceから派生したindex artifactであり、原典locatorと抽出model/prompt/versionをprovenanceとして保持すべきである。
• authoritative KG（人手/業務systemで管理されたentity/relation）とLLM-derived KGはorigin・信頼度・更新責任を分離する必要がある。

• graph extraction error: entity/relationship/claimの誤抽出、欠落、重複、entity resolution誤り。
• stale graph: source更新後もnode/edge/community summaryが古いまま残る。EA-067 Knowledge Freshness Engineeringへ接続。
• authorization drift: source ACLとgraph node/edge/derived summaryのpermission propagationが一致しない可能性。EA-066 ACL-aware RAGへ接続。
• derived-summary contamination: community summaryは原典ではなく生成派生物。summaryが誤っていてもgraph traversal自体は成功し得る。
• ontology/schema mismatch: relation typeの意味がdomain ontologyと一致しない場合、構造化したことで誤りが固定化され得る。
• cost/latency: graph construction・entity extraction・community detection・summary生成にupfront costがある。Microsoft Research自身もindex構築費とのtrade-offを明示。
• benchmark transfer: global sensemaking改善をpoint lookup、SQL correctness、regulatory QA、tenant-specific production accuracyへ外挿しない。
• graph path存在は因果関係の証明ではない。「relationship」「dependency」「causality」は別semantic classとして扱う。

AWS managed GraphRAGはBedrock Knowledge BasesとNeptune Analytics双方のregion availabilityに依存する。Neo4j経路はdeployment/package/version/LLM provider構成に依存。Microsoft Research GraphRAGはresearch/OSS methodologyとして扱い、enterprise product entitlement/supportとは別claimにする。PRODUCT_VOLATILE項目は将来更新時にregion・release・support statusを再確認する。

• Microsoft GraphRAG: research + OSS methodologyとして実装可能。
• AWS Bedrock Knowledge Bases GraphRAG: 2025-03-07 GA announcementを確認。Neptune Analytics利用。
• Neo4j GraphRAG Python: current implementation docs存在を確認。
• provider横断で同一graph schema/query semantics/provenance contractが保証される証拠は未確立。

Future evaluationはvector-only vs graph-only vs hybridを同一corpus・同一model条件で比較し、query classを最低でも point/local / multi-hop relationship / global sensemaking / temporal-freshness / unauthorized-access に分ける。metrics: retrieval recall/precision、path correctness、answer correctness、citation/source coverage、unsupported edge rate、entity-resolution error、stale-edge rate、ACL false-allow、latency、indexing/query cost。LLM-as-judgeだけで閉じず、gold relation/pathを持つsynthetic fixtureを併用する。

graphは複数文書を横断して新しい関係を顕在化させ得るため、個々のsourceを読めることとcross-source inferenceを許可することを同一視しない。ACL-aware node/edge/summary filteringが必要。 AUDIT: answer→retrieved node/edge→source chunk/documentまで逆引きできるprovenanceを保持する。

upfront graph extraction/index/community summarization費とquery-time traversal/LLM費を分離計測する。

source change時のincremental graph update、delete propagation、entity merge/split、schema migration、rebuild条件を運用契約化する。

「Knowledge Graph/GraphRAGは、文書間のentity・relationshipを構造化し、vector similarityだけでは扱いにくいmulti-hopやcorpus-levelの探索を補完できる。ただしgraphがLLMから生成される場合、そのnode/edge/summaryは原典から派生した推論・索引artifactであり、正しさは自動保証されない。導入時はprovenance、ACL、freshness、schema/ontology、抽出誤り、index構築費を独立に管理し、query class別にvector-only/hybridとの差を評価する。」

Core候補として GRAPH KNOWLEDGE CONTRACT を検討する。最低field: graph_origin(authoritative/derived)、source_id+locator、entity_id/type、edge_type、edge_semantics(association/dependency/causal-claim等)、confidence、extraction_model/prompt/version、created_at/source_version、ACL principals/policy reference、valid_from/to、superseded_by、citation/provenance、delete/tombstone state。 TEST_PROFILE（未実施）: synthetic corpusにA-B-C multi-hop、cross-document dependency、明示的non-edge、conflicting relation、source update/delete、ACL-separated documentを埋め込み、vector-only / graph-only / hybridで比較。false edge、missing edge、wrong entity merge、stale relation、unauthorized path、answer/citation driftを測る。

(1) provider横断でportableなGraphRAG schema/provenance contract、(2) enterprise authoritative KGとLLM-derived KGを統合する際の標準的confidence/override semantics、(3) current provider別ACL propagationとdelete/update SLA、(4) Neo4j等の正確な現行release/tag/commit、(5) graph retrievalがproduction workloadでvector-onlyを上回る境界条件。

EA-069については、primary research + current managed product + implementation practice + failure envelope + future TEST_PROFILEまで揃ったためbounded packetとして停止。将来更新WorkでPRODUCT_VOLATILEとversion/regionを再確認する。

---