【ITニュース解説】GraphProbe AI: Building an Agentic GraphRAG System with TigerGraph

RAG（Retrieval-Augmented Generation）システムは、質問に基づいて関連情報を検索し、それをもとにAIが回答を生成する仕組みで、多くの分野で活用されている。しかし、この従来のRAGシステムには限界がある。

例えば、「A社とB社はどのような関係にあるか？その関係を裏付ける具体的な証拠は何か？」といった質問を考えてみよう。従来のRAGシステムは、質問に似たキーワードを含む文書を探し出すのは得意だが、複数の情報源に散らばるエンティティ（人、会社、概念などの実体）間の複雑な関係性をたどり、その関係を裏付ける証拠を評価し、さらに必要な情報が不足していないかを判断するといった、人間のような多段階の思考は苦手である。テキストの類似性だけで情報を探し出す従来のRAGでは、複雑な質問には十分に対応できない。

GraphProbe AIは、この課題を解決するために開発された「Agentic GraphRAG」システムである。これは、単なる情報検索にとどまらず、グラフ構造を活用してエンティティ間の関係性を深く調査し、証拠を評価しながら、多段階にわたって推論を行うことを目的としている。「調査し、関係性を繋ぎ、検証する」というアプローチが特徴である。

GraphProbe AIのアプローチは、三つの段階で進化している。まず「RAG」は、関連テキスト情報を検索する基本的な手法だ。次に「GraphRAG」は、RAGに「グラフ」の要素を加え、テキスト情報とエンティティ間の関係性を構造的な文脈として利用し、より意味のある情報検索を可能にする。そして、GraphProbe AIの核となる「Agentic GraphRAG」は、単に決められた手順で検索を行うのではなく、「オーケストレーター」と呼ばれる制御役が、質問、発見されたエンティティ、得られた証拠、不足情報などに基づいて、「次に何をすべきか」を自律的に判断し、適切な調査ステップを選択・実行する仕組みである。

この柔軟な調査ワークフローは、質問の種類やこれまでの調査結果に応じて動的に変化する。例えば、ある質問に対しては「エンティティ特定 → グラフ探索 → 回答生成」というシンプルな流れで十分かもしれないが、別のより複雑な質問では「類似性検索 → エンティティ特定 → グラフ探索 → 補足文書検索 → 証拠評価 → 回答生成」といったように、多様なステップを組み合わせた調査を行う。この適応性がAgentic GraphRAGの最大の強みである。システムは、エンティティの特定、グラフの探索、類似性検索、文書の検索、証拠の集約、多段階推論、証拠の評価、最終的な検証といった専門的な能力を使い分け、最も効率的かつ正確な回答パスを模索する。

このシステムにおいて、グラフデータベースの存在は非常に重要だ。GraphProbe AIが調査する問題の中心には、常にエンティティ間の「関係性」があるためである。テキスト情報だけでは情報が孤立しがちだが、グラフ構造を使うことで、エンティティとその間の接続を明示的に表現できる。GraphProbe AIでは「TigerGraph」という高性能なグラフデータベースを利用し、これらの関係性を深く探索し、多段階の調査を強力にサポートする。これにより、単に「この質問に似たテキストはどれか？」と尋ねるだけでなく、「どのエンティティがどのように接続され、その接続を裏付ける証拠は何か？」といった、より複雑で関係性の深い質問にも答えられる。

GraphProbe AIは、単に答えを出すだけでなく、その答えに至るまでの「証拠」を重視している。システムは調査の過程で利用したすべての情報、例えば検索された証拠、接続されたエンティティ、グラフ探索の結果、実行された検索操作、証拠の評価結果、検証ステップ、そしてAgentic Trace（エージェントが辿った思考経路）などを詳細に記録する。この「調査トレース」があることで、最終的な回答がどのようなプロセスを経て導き出されたのか、どの情報が根拠となっているのかを人間が容易に確認でき、回答の信頼性や透明性が向上する。特にAgentic Traceは、システムがどのように推論し、なぜその結論に至ったのかをステップごとに可視化するため、回答の正当性を検証する上で非常に役立つ。

また、GraphProbe AIは無限に調査を続けるわけではない。証拠評価と検証のプロセスをワークフローに組み込むことで、システムは利用可能な証拠が現在の調査にとって十分であるかを判断し、必要に応じて調査を停止する。調査が停止した理由も記録され、最終的な結果には「何が見つかったか」「どのように見つかったか」「どのような証拠がそれを裏付けているか」「なぜ調査が停止したか」といった豊かな文脈が提供される。

GraphProbe AIは、Pythonをバックエンドと調査ロジックに、FastAPIをAPI層に、TigerGraphをグラフベースの調査に、GraphRAGをグラフと検索の文脈を組み合わせるために、Groqを大規模言語モデルの生成に、Vercelをフロントエンドに、Renderをバックエンドのデプロイにそれぞれ利用している。調査エンジン、グラフ層、検索機能、ユーザーインターフェースが明確に分離された設計である。

この開発を通じて得られた重要な知見は、有用な調査とは単に多くの情報を集めることではない、という点だ。むしろ、適切な情報を検索し、エンティティ間の関係性を理解し、証拠を評価し、次に何を調査すべきかを賢く判断することに価値がある。グラフベースの文脈は、純粋なテキスト検索では見えにくい構造的な情報を提供し、Agenticな層は、固定されたパイプラインではなく、状況に応じて調査戦略を適応させることを可能にする。

GraphProbe AIは、Agentic GraphRAGという新しいアプローチを通じて、複雑な質問に対する調査プロセスを透明で追跡可能なものに変革する。これは単なる答えを提供するだけでなく、その答えに至るまでの道のり、裏付けとなる証拠、そして推論のプロセスを明らかにするシステムである。