Microsoft、Stanford、Anthropic が RAG に代わって採用した「グラフエンジニアリング」の仕組みとは

現在、誰でも複雑な質問に答えられる AI システムを構築できます。通常の RAG と比較して、精度が 18% 向上し、コストが 85% 削減されます。博士号は不要。100 万円の予算も不要。研究者チームも不要。

その結果を阻む唯一の壁は、Microsoft、Stanford、Anthropic がそれぞれ独自に発見した、そしてほとんどの開発者がまだ追いついていない、たった 1 つのコンセプトです。

通常の RAG はテキストを見つけます。Graph Engineering は関係性を見つけます。以下がその全貌です。

この記事をブックマークして、フォローもお忘れなく

- 私は Sprytix です。AI システムと自動化パイプラインを構築し、テクノロジーを実際の収入に変える開発者です。DM はいつでも歓迎します。

通常の RAG が限界にぶつかる理由

通常の RAG は次のように機能します。

1質問
2↓
3ドキュメント内の一致するテキストを検索
4↓
5最も関連性の高いチャンクを返す
6↓
7モデルがチャンクから回答を生成

これは単純な質問には有効です。しかし、複雑な質問には完全に機能しなくなります。

「なぜ 3 月に製品販売が落ち込んだのか？」と尋ねると、RAG は「売上」と「3 月」という単語を含むドキュメントを見つけます。断片は見つかりますが、因果関係の連鎖は見つかりません。

1RAG の回答:
23 月の売上に言及した 5 つのドキュメントはこちらです。
3
4Graph Engineering の回答:
5販売が落ち込んだのは、リリース遅延が原因です
6その遅延は、サプライヤーの依存関係によって引き起こされました
7その依存関係は、倉庫の問題がきっかけでした
8その問題が、否定的なレビューを生み出しました
9それにより、コンバージョン率が 23% 低下しました。

同じモデル。同じデータ。全く異なる結果。なぜなら、一方のシステムはテキストを検索し、もう一方は現実を検索するからです。

これこそが、Microsoft、Stanford、Anthropic がそれぞれ独自に発見したことです。そして、これが 3 社すべてが Graph Engineering に移行した理由です。

ドキュメント 1 - Microsoft GraphRAG

1. github.com/microsoft/graphrag
2. github.com/microsoft/graphrag/blob/main/docs/index/architecture.md

Microsoft は GraphRAG を構築し、オープンソース化しました。彼らの研究結果は、Graph Engineering が通常の RAG と比較して実際に何を提供するかについて、現在入手可能な最も具体的な数値です。

このアーキテクチャは、非構造化テキストを完全な知識グラフに変換します。

1ドキュメントを読み込む
2↓
3ドキュメントをチャンクに分割
4↓
5エンティティとリレーションを抽出
6↓
7グラフを構築
8↓
9コミュニティを検出
10↓
11コミュニティレポートを生成
12↓
13エンティティとレポートを埋め込み
14↓
15ローカル検索 / グローバル検索

Microsoft が文書化した重要な洞察：通常の RAG はローカルな質問には適切に答えられます。この特定のエンティティに関する情報を見つけてください。しかし、グローバルな質問には失敗します。このデータセット全体の主要なテーマは何か、これら 10,000 のドキュメントを結びつけるパターンは何か。

Graph Engineering はその両方に答えます。

1ローカル検索   |  3月にサプライヤーXで何が起こったか
2               |  特定のノードとその接続を見つける
3
4グローバル検索  |  すべてのサプライヤー関係にわたる
5               |  主要なリスクパターンは何か
6               |  グラフ全体のパターンを見つける

Microsoft の GraphRAG 研究からの実用的な結果：

1精度向上              |  生のドキュメントアプローチより 18% 向上
2トークンコスト削減      |  構造化ファイルを直接読み込むより 85% 低減
3タスクあたりのコスト    |  テスト構成で約 $0.004

arxiv.org/abs/2603.22528

これらの数値は、ChatP&ID 論文（産業工学図面に GraphRAG を適用したもの）からのものです。同じ原理が分野を問わず適用できます。

ドキュメント 2 - Stanford DSPy とグラフの接続

1. github.com/stanfordnlp/dspy
2. arxiv.org/abs/2310.03714

Stanford の DSPy 論文は、モデルはグラフ内のノードであり、宇宙の中心ではないことを確立しました。これは、Graph Engineering に直接接続する理論的基盤です。

DSPy は AI パイプラインをモジュールのグラフとして扱います。

1質問
2↓
3レトリーバー      - 関連情報を見つける
4↓
5推論             - 処理と接続
6↓
7検証器           - 結果を確認
8↓
9回答

Graph Engineering との関連性は直接的です。DSPy はパイプライングラフを最適化し、GraphRAG は知識グラフを最適化します。両方とも、モデルをソリューション全体ではなく、より大きな構造の 1 つのコンポーネントとして扱います。

Stanford の STORM 論文はさらに進んでいます。

1. github.com/stanford-oval/storm
2. arxiv.org/abs/2402.14207

STORM は、1 文字も書く前に、研究ステップの構造化されたグラフを通じてゼロから知識を構築します。調査、情報源の収集、アウトライン、執筆、検証、修正。各ステップは、前のステップで発見された関係性によって情報が提供されます。

すべての Stanford の研究に共通する洞察：複雑なタスクには、単一のモデル呼び出しではなく、接続されたステップのシステムが必要です。グラフこそがシステムです。

ドキュメント 3 - 知識グラフのための Stanford のスケーリング則

arxiv.org/abs/2505.16276

この論文は、知識グラフエンジニアリングタスクにおいて 26 のオープンソースモデルを比較しました。その結論は、この分野で最も重要なものの 1 つです。

1大規模モデル + 悪いグラフ   |  悪い結果
2小規模モデル + 良いグラフ   |  良い結果

適切なグラフは、より大きなモデルに勝ります。毎回。

これは、Microsoft が GraphRAG で、Anthropic が Claude Code で到達したのと同じ結論です。モデル自体よりも、モデルを囲むシステムが出力を決定します。Graph Engineering は、その原則の最も具体的な実装です。

ドキュメント 4 - MIT Press の関係記憶に関する研究

direct.mit.edu/tacl/article/doi/10.1162/tacl_a_00476

計算言語学協会誌（Transactions of the Association for Computational Linguistics）に掲載。

この研究は、言語モデルを関係記憶（テキストのチャンクではなく、関係性の知識グラフ）に接続したときに何が起こるかを示しています。

1テキストコンテキスト
2↓
3グラフから関連するリレーションを取得
4↓
5関係記憶
6↓
7言語モデル
8↓
9より首尾一貫した、より正確な生成

主要な発見：明示的な関係構造にアクセスできるモデルは、テキストのみで動作するモデルよりも、より首尾一貫したテキストを生成し、論理的なエラーが少なくなります。

これは、Graph Engineering が機能する理由の科学的な説明です。モデルはテキストから関係性を推測する必要がありません。関係性はグラフ内で明示されています。モデルはそれらを直接使用します。

ドキュメント 5 - KEPLER

1. direct.mit.edu/tacl/article-abstract/doi/10.1162/tacl_a_00360/98089
2. github.com/THU-KEG/KEPLER

KEPLER は、言語モデルのトレーニングと知識グラフの埋め込みを組み合わせます。言語理解と事実知識を別々の問題として扱う代わりに、KEPLER は両方を同時に最適化します。

1言語モデル
2+
3知識埋め込み
4+
5知識グラフ
6=
7言語と事実の両方を理解するモデル

実用的な意味：適切に構造化された知識グラフにアクセスできるモデルは、エンティティ間の関係性を推測する必要がありません。それらを検索します。事実に基づく質問に対する精度の差は顕著です。

ドキュメント 6 - Anthropic とグラフ内の Claude

1. www.anthropic.com/customers/graph
2. github.com/anthropics/anthropic-cookbook
3. github.com/modelcontextprotocol

Anthropic には「Graph Engineering」という名前の製品はありません。彼らが持っているのは、Claude がグラフアーキテクチャに直接統合される 3 つのレイヤーです。

レイヤー 1 - Claude がテキストからグラフを抽出

1ドキュメント
2↓
3Claude がエンティティとリレーションを抽出
4↓
5JSON トリプル:
6{
7  "subject": "Anthropic",
8  "relation": "created",
9  "object": "Claude"
10}
11↓
12知識グラフ

Claude は、エンティティ抽出、関係抽出、重複排除、正規化、オントロジー作成を処理します。かつて専門的な NLP パイプラインを必要としていたタスクが、1 回の API 呼び出しで実行できるようになりました。

レイヤー 2 - Claude がグラフをクエリ

1ユーザーの質問
2↓
3Claude
4↓
5Cypher / SPARQL クエリ
6↓
7知識グラフ
8↓
9結果
10↓
11Claude による平易な言葉での説明

Claude は自然言語をグラフクエリに変換し、Neo4j または任意のグラフデータベースに対して実行し、結果を説明します。ユーザーはクエリ言語の知識を必要としません。

レイヤー 3 - MCP が Claude をグラフに接続

github.com/modelcontextprotocol

1Claude
2↓
3MCP プロトコル
4↓
5グラフデータベース
6↓
7エンティティ + リレーション
8↓
9完全なグラフコンテキストを持つ Claude

MCP は、セッションごとに接続を再構築することなく、Claude に任意の知識グラフへの永続的なアクセスを提供するトランスポート層です。

LaunchNotes の事例 - 実際の本番数値

www.anthropic.com/customers/graph

LaunchNotes は、GitHub、Jira、Linear を接続する Graph という製品を構築しました。Claude は、3 つのシステムすべてにわたるエンジニアリング作業間の関係性を分析します。

1GitHub コミット
2+
3Jira チケット
4+
5Linear タスク
6↓
7エンジニアリング作業のグラフ
8↓
9Claude
10↓
11インシデント検出 + プロジェクトインサイト

Anthropic のケーススタディからの結果：

1インシデント検出      |  最大 5 倍高速化
2会議時間             |  約 50% 削減
3リリースノート        |  数秒で自動生成

これらの数値は、構造化された関係データ（単なるドキュメント検索ではなく）を接続することから得られます。

知識グラフとは実際には何か

構築する前に、その基本的な概念を理解しましょう。

知識グラフは、情報をトリプルとして保存します。

1主体 → 関係 → 客体

例：

1Anthropic → created → Claude
2Claude → supports → MCP
3MCP → connects → external tools
4Microsoft → built → GraphRAG
5GraphRAG → reduces token cost by → 85%

すべての情報は、2 つのエンティティ間の明示的な関係です。この情報を含む可能性のあるテキストの段落ではなく、明示的で構造化され、クエリ可能な事実です。

1通常のデータベース:
2企業のテーブル
3製品のテーブル
4それらの間の明示的な関係はなし
5
6知識グラフ:
7企業 → created → 製品
8製品 → competes with → 他の製品
9他の製品 → owned by → 他の企業
10企業 → invested in → 他の企業

グラフは事実を保存するだけではありません。事実が互いにどのように接続しているかを保存します。それが複雑な推論を可能にするものです。

完全な Graph Engineering パイプライン

1ステップ 1  |  生のドキュメントを収集
2        |  PDF、メール、レポート、データベースエクスポート
3
4ステップ 2  |  エンティティを抽出
5        |  人、企業、製品、イベント、概念
6
7ステップ 3  |  関係性を抽出
8        |  誰が誰に何を、いつ、なぜ、どのように行ったか
9
10ステップ 4  |  スキーマを構築
11        |  エンティティタイプとリレーションシップタイプを定義
12
13ステップ 5  |  重複排除と正規化
14        |  "Microsoft Corp" と "MSFT" は同じエンティティ
15
16ステップ 6  |  グラフデータベースに保存
17        |  Neo4j、Amazon Neptune、グラフ拡張機能付き PostgreSQL
18
19ステップ 7  |  検索レイヤーを構築
20        |  特定のエンティティのローカル検索
21        |  グラフ全体のパターンのグローバル検索
22
23ステップ 8  |  モデルを接続
24        |  Claude が MCP または直接 API 経由でグラフをクエリ
25
26ステップ 9  |  継続的に更新
27        |  新しいドキュメントがグラフを拡張
28        |  矛盾はレビュー用にフラグ付け

arxiv.org/abs/2307.06917 の LLM 支援知識グラフエンジニアリング論文は、言語モデルがこれらの各ステップをどの程度処理できるかをベンチマークしています。正直な発見：LLM は抽出と正規化において優れたアシスタントですが、スキーマと重複排除のステップに関する人間のレビューなしでは、ゼロショットのグラフ生成はまだ本番環境で信頼できるレベルではありません。

パイプライン全体を実行する 5 つのプロンプト

Graph Engineering はプロンプトを排除しません。グラフパイプラインの各特定の段階でプロンプトを使用します。

プロンプト 1 - 抽出

1すべての組織、人物、製品、イベントを抽出してください。
2
3各エンティティについて以下を返してください:
4- canonical_name
5- type
6- description
7- source
8
9各リレーションについて以下を返してください:
10- source_entity
11- relation_type
12- target_entity
13- evidence
14- confidence_score

プロンプト 2 - 正規化

1以下のエンティティを比較してください。
2それらが以下に該当するかどうかを判断してください:
3- 同じエンティティ
4- 関連しているが異なるエンティティ
5- 無関係なエンティティ
6
7正規化された名前と説明を返してください。
8明確な証拠なしにエンティティをマージしないでください。

プロンプト 3 - グラフクエリ

1ユーザーの質問を Cypher クエリに変換してください。
2スキーマに存在するリレーションのみを使用してください。
3ラベルやプロパティをでっち上げないでください。
4クエリと、ロジックの短い説明を返してください。

プロンプト 4 - 根拠に基づく回答

1取得したグラフパスのみを使用して回答してください。
2すべての結論について:
3- それをサポートするノードを特定してください
4- リレーションパスを特定してください
5- 不確実性を明確に述べてください
6- 相関関係から因果関係を推測しないでください

プロンプト 5 - グラフメンテナンス

1新しい事実を既存のグラフと比較してください。
2各事実を以下に分類してください:
3- new
4- duplicate
5- contradiction
6- update
7- uncertain
8
9証拠なしに既存の事実を上書きしないでください。

Microsoft の GraphRAG ドキュメントが示すように、プロンプトは内部的に抽出、関係識別、要約、コミュニティレポート生成を処理します。プロンプトエンジニアリングは、Graph Engineering の競合ではなく、その内部のメカニズムです。

知識グラフ上に構築できる 5 つのビジネス

1 - デューデリジェンスプラットフォーム

1企業レポート + 創業者 + 投資家
2+ 訴訟案件 + 子会社 + 取引
3↓
4知識グラフ
5↓
6Claude
7↓
8リスク分析 + 隠れた関係性 + 利益相反検出

クライアント：投資ファンド、法律事務所、銀行、M&A コンサルタント。クライアントあたりの月額リテーナー $2,000〜10,000。

2 - セールスインテリジェンス

1連絡先 + 企業 + 役割
2+ 過去のメール + 企業の問題点 + 製品
3↓
4知識グラフ
5↓
6誰が意思決定に影響を与えるか
7どのような反論が繰り返されるか
8この特定のクライアントにどの事例を提示するか
9どこで案件が滞っているか

3 - エンジニアリングインテリジェンス

1GitHub コミット + Jira チケット + Linear タスク
2↓
3エンジニアリング作業のグラフ
4↓
55 倍高速なインシデント検出
650% 少ない会議時間
7自動リリースノート

LaunchNotes はすでにこれを販売しています。市場は、複数のプロジェクト管理ツールを使用するすべてのエンジニアリングチームです。

4 - 研究インテリジェンス

1論文 + 著者 + 所属機関
2+ 手法 + データセット + 結果 + 矛盾
3↓
4知識グラフ
5↓
6どの GraphRAG 手法がコミュニティ検出を使用するか
7それらがどのデータセットでテストされたか
8どの論文が互いに矛盾しているか

5 - パーソナルナレッジ OS

1Obsidian ノート + メール + カレンダー
2+ PDF + 連絡先 + タスク
3↓
4パーソナルナレッジグラフ
5↓
6このアイデアを誰と議論したか
7どのタスクが誰かの返答に依存しているか
8どの決定が以前の合意と矛盾しているか
9今月何を約束したか

Microsoft、Stanford、Anthropic を結びつけるシフト

1プロンプトエンジニアリング   |  正しい質問をする方法
2RAG                  |  どのドキュメントを見つけるか
3Graph Engineering    |  どのエンティティが存在するか
4                     |  それらがどのように接続するか
5                     |  どのパスが答えにたどり着くか
6                     |  1 つのノードが変わると何が変わるか

LLM は言葉を知っています。知識グラフは関係性を知っています。両方が連携して初めて、最も強力な AI システムが出現します。

Microsoft は GraphRAG でこれを本番環境で証明しました。精度が 18% 向上し、コストが 85% 削減。Stanford は DSPy、STORM、そしてスケーリング則の論文で研究において証明しました。Anthropic は LaunchNotes の事例で証明しました。インシデント検出が 5 倍高速化、会議時間が 50% 削減。

3 つの組織。3 つの独立した道筋。1 つの結論。

モデルはテキストを見つけます。グラフは現実を見つけます。グラフを構築しましょう。

ほとんどの開発者はプロンプトの改善を続け、複雑な質問がなぜ依然として悪い回答を返すのか不思議に思うでしょう。ごく一部の開発者は、最初の知識グラフを構築するために 1 週末を費やし、ドキュメント検索には二度と戻らないでしょう。

/ これが役に立ったなら、フォローをお願いします。次の記事はこちらで最初に公開されます。