🧠

RAGなしで始めるナレッジグラフQA——コンテナで再現する比較検証

2025/10/24に公開

 RAG なしで始めるナレッジグラフ QA——コンテナで再現する比較検証ねらい

「RAG なし」＝ RAG に含まれるベクトル検索部分を実装せず、ナレッジグラフ単独で論理的に答える最小構成を Docker だけで動かして確認する。差分・否定・経路・カウントなど、ベクトル検索が失敗しやすい質問で、KG（Cypher/SPARQL）が正確に答えられることを手元で再現する。

 重要な注釈：RAG と KG は対立ではなく補完関係本記事のタイトルは「RAG なし」ですが、これは「RAG を否定する」という意味ではありません。むしろ、KG と RAG の役割分担を理解するための比較実験 です。
実務では、KG と RAG は併用されます：

RAG の役割：大量の非構造化テキスト（ドキュメント、記事、ログ）から関連情報を素早く検索し、文脈を提供する

KG の役割：構造化された知識（エンティティ・関係・ルール）から論理的に推論し、正確な回答を導く
本記事では、KG が得意とする領域を明確にするために、敢えて KG 単独での動作を検証 しています。実装ではベクトル DB（Qdrant）も起動していますが、意図的に LLM を使わずに、データストアの本質的な特性の違い を浮き彫りにしています。

 設計的な重要なポイント：なぜ LLM を使わないのかこの実験では、意図的に LLM を省いています。パイプラインは以下の通り：

KG: 質問 → Cypher（手書き） → グラフ実行 → 回答

ベクトル検索: 質問 → ベクトル埋め込み → テキスト検索 → キーワード抽出 → 回答
現実のシステムでは、ベクトル検索の後ろに LLM（ChatGPT など）がついて自然言語で回答を生成します（これが RAG）。しかし、その LLM でも データストアの根本的な特性（テキスト検索の曖昧性）は超えられません。詳しくは「RAG を超える知識統合」の5 つの意味質問型を参照してください。

 エンジニアリング・リソースの長期的視点RAG は「プロンプト調整」「リランキング」などで精度を上げられますが、継続的な調整が必要です。一方、KG は構造確定後は安定します：


観点
RAG
KG


embedding モデル進化時
全データ再処理・再チューニング
影響なし

LLM 変更時
プロンプト再調整必須
影響なし

スケーリング（規模増大時）
ベクトル検索の計算コスト爆増
Cypher クエリで線形時間実行

大規模運用での実例：Wikidata（8,800 万エンティティ）のような規模では、RAG のベクトル検索は実用的でなく、KG は高速に応答可能です。
実務的な結論：初期段階では RAG が低コストで有効。しかし、長期的・大規模運用を視野に入れると、KG への投資が ROI が高い。理想は「論理的クエリが必要なら KG、テキスト探索が必要なら RAG を補助」という役割分担です。

 1. 何を用意するか（ローカルのみ）macOS（または Linux/WSL2）
Docker / Docker Compose v2

curl（動作確認）
使うもの：

Neo4j 5（Property Graph, Cypher）

Qdrant（ベクトル検索用のベクトル DB：比較対象。ベクトル検索は"失敗例"として参照）

この記事は ベクトル検索を"使わない"実装が主役ですが、比較のため最小のベクトル検索ベースラインも同時起動します。

 2. 実験環境の構成本実験は Docker コンテナで動作し、以下が起動します：

Neo4j 5 — ナレッジグラフ（Property Graph）

Qdrant — ベクトル DB（ベクトル検索のベースライン）

FastAPI — 比較用 API
詳細なセットアップ手順、試験データセット（5 項目版・50 項目版）、試験質問については、GitHub の実装ガイドを参照してください。
→ 実装ガイド: experiments/kg-no-rag/README.md
このガイドには以下が含まれます：
グラフ構造と試験データの詳細説明
5 つの試験質問（集合・差分・経路・否定・交差）
クイックスタートコマンド
API エンドポイントの使い方
50 項目データセットによるスケール依存性の実証

 3. 5 つの意味質問型——KG が得意、ベクトル検索が失敗しやすい質問パターン本実験で検証する 5 つの質問タイプを具体例で示します。

 Q1-集合（Union） — 「A または B に該当するものは？」// A または B に該当する人物を検索
Q: "ソフトウェアエンジニアまたはデータサイエンティストは誰ですか？"

KG (Cypher):
  MATCH (p:Person)-[:hasRole]->(r:Role)
  WHERE r.name IN ['SoftwareEngineer', 'DataScientist']
  RETURN p.name

ベクトル検索:
  → ベクトル検索で "エンジニア" "データサイエンティスト" を検索
  → ノイズが多い場合、関連ドキュメントが多すぎて曖昧

 Q2-差分（Set Difference） — 「A に属するが B には属さない者は？」// A に属するが B には属さない人物を検索
Q: "プロジェクトXに参加しているがプロジェクトYには参加していない人は？"

KG (Cypher):
  MATCH (p:Person)-[:participates]->(px:Project {name: 'X'})
  WHERE NOT EXISTS { (p)-[:participates]->(:Project {name: 'Y'}) }
  RETURN p.name

ベクトル検索:
  → 「プロジェクトX」と「プロジェクトY」の差を推論できない
  → テキスト検索では否定条件を正確に表現不可

 Q3-経路（Path Traversal） — 「A から B へのつながりは？」// A から B への経路を辿る
Q: "太郎がプロジェクトXを通じて、どの組織につながっているか？"

KG (Cypher):
  MATCH path = (p:Person {name: '太郎'})-[:participates]->(:Project {name: 'X'})-[:belongsTo]->(org:Organization)
  RETURN org.name, path

ベクトル検索:
  → 多段階のグラフ構造を追跡できない
  → テキスト検索は "点" 単位であり、"経路" を辿れない

 Q4-否定（Negation） — 「A ではない条件を満たすのは？」// A ではない条件を満たす人物を検索
Q: "東京オフィスに配属されていない従業員は？"

KG (Cypher):
  MATCH (emp:Employee)
  WHERE NOT EXISTS { (emp)-[:assignedTo]->(:Office {location: 'Tokyo'}) }
  RETURN emp.name

ベクトル検索:
  → 「否定」という論理演算子をテキストから推論困難
  → ベクトル検索は類似度で判定するため、"ない" という条件が曖昧

 Q5-交差（Intersection） — 「A かつ B の両方に属する者は？」// A かつ B の両方の条件を満たす人物を検索
Q: "プロジェクトXにも参加し、かつ管理職でもある人は？"

KG (Cypher):
  MATCH (p:Person)-[:participates]->(:Project {name: 'X'})
  MATCH (p)-[:hasRole]->(r:Role {type: 'Manager'})
  RETURN p.name

ベクトル検索:
  → 複数条件の交差をベクトル検索では不正確
  → スケール増加時にノイズが増えると精度が急落

 結果の見え方

質問型
KG
ベクトル検索(小規模)
ベクトル検索(大規模)
理由


Q1-集合
✅ 正確
⚠️ 変動
❌ ノイズで失敗
OR は明確だが、ノイズに弱い

Q2-差分
✅ 正確
⚠️ 変動
⚠️ 変動
論理的な差分（A かつ NOT B）はベクトル検索に不向き

Q3-経路
✅ 正確
❌ 失敗
❌ 失敗
多段階経路をベクトル検索で追跡不可

Q4-否定
✅ 正確
❌ 失敗
❌ 失敗
論理的否定が曖昧

Q5-交差
✅ 正確
⚠️ 変動
❌ 失敗
複数条件の厳密な AND が難しい


 4. 実行結果の概要ローカルで実行すると、以下の結果が得られます。

 5 項目版{
  "summary": {
    "kg_correct": 5,
    "kg_total": 5,
    "rag_correct": 2,
    "rag_total": 5
  }
}
解釈: KG は全問正解。RAG は集合と差分のみ正解（2/5）。
⚠️ 注釈：以下は手元で複数回実行した際の参考値です。RAG（ベクトル検索）の結果は実行ごとに変動します。この実例では Q1-集合と Q2-差分のみ成功しましたが、実行環境や embedding の初期値によって異なる結果が得られる可能性があります。
小規模データ（5 項目版）の結果だけでなく、規模を増やした 50 項目版でも傾向は変わりませんでした。

 50 項目版{
  "summary": {
    "kg_correct": 5,
    "kg_total": 5,
    "rag_correct": 1,
    "rag_total": 5
  }
}
解釈: KG は相変わらず全問正解。RAG は大幅に精度低下（ノイズが増えると精度が急落）。
⚠️ 注釈：以下は手元で複数回実行した際の参考値です。RAG（ベクトル検索）の結果は実行ごとに変動します。この実例では 1/5 の成功率でしたが、一般的には 0 ～ 1/5 の範囲で変動します。ベクトル空間における類似度計算の不確定性により、実行環境や初期条件によって結果が大きく異なります。

 5. 結果の解釈実験結果はすべての試験で一貫して同様の傾向を示しました。特に Q3（経路）と Q4（否定）は全試行でベクトル検索が失敗し、KG は常に正確な結果を返しました。

以下の表はその傾向を簡潔にまとめたものです。


質問型
傾向


Q1-集合・Q2-差分・Q5-交差
ベクトル検索は部分的に成功するが精度が不安定

Q3-経路・Q4-否定
ベクトル検索は全試行で失敗、KG は常に正確


 KG の強み
スケール不変性 — データが 5 件でも 50 件でも、Cypher クエリの結果は同じ

論理厳密性 — 集合、差分、否定、経路追跡を正確に実行

構造理解 — ドメイン知識をグラフ構造として記述すれば、複雑な関係も明確に表現可能

 RAG の限界
スケール依存性 — データが増えるとベクトル検索のノイズが増加

操作的な問い — 差分、否定、カウント、経路追跡は得意でない

曖昧性 — テキストが増えるほど意図を正確に拾いづらくなる

 6. さらに学ぶために
 理論的背景本記事で実装した内容の理論的背景やアーキテクチャ的な位置づけについては、以下の記事をご覧ください：

「RAG を超える知識統合 ── ナレッジグラフで"つながる推論"を実現する」
RAG と KG の本質的な違い
GraphRAG と KG の関係性
エンタープライズ知識グラフの戦略的な役割


 技術資料
Neo4j ドキュメント: https://neo4j.com/docs/

Cypher 解説: https://neo4j.com/docs/cypher-manual/

セマンティック Web との統合: SPARQL、RDF、OWL

スケールアップ: Wikidata、DBpedia への連携
→ 実装ガイドを見る（GitHub）

 参考文献Neo4j (2024), Neo4j Documentation. https://neo4j.com/docs/
Neo4j (2024), Cypher Query Language Manual. https://neo4j.com/docs/cypher-manual/
Tech Blog (2024), kg-no-rag 再現環境リポジトリ. https://github.com/DevRev-JP/tech-blog/tree/main/experiments/kg-no-rag

 更新履歴
2025-10-24 — 初版公開

2025-10-30 — 参考文献を追記
※本記事は AI を活用して執筆しています。

観点	RAG	KG
embedding モデル進化時	全データ再処理・再チューニング	影響なし
LLM 変更時	プロンプト再調整必須	影響なし
スケーリング（規模増大時）	ベクトル検索の計算コスト爆増	Cypher クエリで線形時間実行

質問型	KG	ベクトル検索(小規模)	ベクトル検索(大規模)	理由
Q1-集合	✅ 正確	⚠️ 変動	❌ ノイズで失敗	OR は明確だが、ノイズに弱い
Q2-差分	✅ 正確	⚠️ 変動	⚠️ 変動	論理的な差分（A かつ NOT B）はベクトル検索に不向き
Q3-経路	✅ 正確	❌ 失敗	❌ 失敗	多段階経路をベクトル検索で追跡不可
Q4-否定	✅ 正確	❌ 失敗	❌ 失敗	論理的否定が曖昧
Q5-交差	✅ 正確	⚠️ 変動	❌ 失敗	複数条件の厳密な AND が難しい

質問型	傾向
Q1-集合・Q2-差分・Q5-交差	ベクトル検索は部分的に成功するが精度が不安定
Q3-経路・Q4-否定	ベクトル検索は全試行で失敗、KG は常に正確

GitHubで編集を提案

RAG なしで始めるナレッジグラフ QA——コンテナで再現する比較検証

重要な注釈：RAG と KG は対立ではなく補完関係

設計的な重要なポイント：なぜ LLM を使わないのか

エンジニアリング・リソースの長期的視点

1. 何を用意するか（ローカルのみ）

2. 実験環境の構成

3. 5 つの意味質問型——KG が得意、ベクトル検索が失敗しやすい質問パターン

Q1-集合（Union） — 「A または B に該当するものは？」

Q2-差分（Set Difference） — 「A に属するが B には属さない者は？」

Q3-経路（Path Traversal） — 「A から B へのつながりは？」

Q4-否定（Negation） — 「A ではない条件を満たすのは？」

Q5-交差（Intersection） — 「A かつ B の両方に属する者は？」

結果の見え方

4. 実行結果の概要

5 項目版

50 項目版

5. 結果の解釈

KG の強み

RAG の限界

6. さらに学ぶために

理論的背景

技術資料

参考文献

更新履歴

Discussion