GraphRAGとは、大規模言語モデル（LLM）とナレッジグラフを組み合わせた新しい検索拡張生成の技術です。従来のベクトル検索に基づくRAGでは難しかった文書全体の構造理解やエンティティ間の複雑な関係性の把握を可能にし、より包括的で正確な回答の生成を実現します。
GraphRAGとは
GraphRAGを一言でいうと、大規模言語モデル（LLM）にナレッジグラフを融合させることで、複雑に絡み合った情報間の関係性を理解し、高度な回答を生成する検索拡張生成（RAG）手法です。
詳しく解説
従来のRAGは文章を小さな断片に分割してベクトル検索を行うため、個別の事実の検索には優れていますが、文書全体にまたがるテーマの要約や複雑な関係性の理解が苦手でした。GraphRAGでは、テキストデータからエンティティとその相互関係を抽出し、知識の網の目であるナレッジグラフを自動構築します。これにより、大規模言語モデル（LLM）はデータ全体の構造や文脈を把握できるようになり、広範な質問に対しても包括的かつ論理的な回答を作成できます。
具体例・使われ方
例えば、大量の医療論文から特定の疾患と遺伝子、薬物の相互作用を横断的に分析する場合や、企業の複雑な組織データや契約書群から関連するプロジェクトと担当者の人間関係を把握する場面で活用されます。また、小説や長大な報告書全体の要約を作成する際にも非常に有効です。
似た用語との違い
従来のRAGとの最大の違いは情報の保持形態と検索方式です。従来のRAGが類似したテキスト断片を検索するベクトル検索に依存するのに対し、GraphRAGはデータ間の関係性を表現したナレッジグラフ構造を利用します。これにより、点としての局所的な情報検索にとどまらず、面としての包括的な要約や複雑な推論が可能となります。
注意点
GraphRAGの導入には、事前処理として大規模言語モデル（LLM）を用いたナレッジグラフ構築が必要となるため、従来のRAGに比べて計算コストや処理時間が大きくなる点に注意が必要です。また、抽出されたエンティティや関係性が誤っている場合、回答の精度に影響を及ぼす可能性があります。