🔍

「なぜ」を辿れる GraphRAG エンジンを Rust で作った

に公開

これは Vegapunk — Rust 製の根拠追跡型 GraphRAG エンジンを作った話の、全 6 回シリーズの第 1 回です。

  1. なぜ GraphRAG を作ったのか(この記事)
  2. スキーマ駆動アーキテクチャ — traceable_pairs と 4 軸評価
  3. Rust でシングルバイナリに DB 3 つを組み込む
  4. 使うほど賢くなる検索 — フィードバックループとプロンプト自動改善
  5. Node2Vec で構造検索 — テキスト類似度を超える
  6. ユースケースと運用

ベクトル検索の「なぜ」問題

RAG(Retrieval-Augmented Generation)は LLM アプリケーションの標準アーキテクチャになりました。テキストを Embedding に変換し、ベクトル DB に保存し、クエリに類似するチャンクを取得して LLM に渡す。シンプルで強力です。

しかし、業務で使い始めると壁にぶつかります。

「PostgreSQL をやめた理由は?」 と聞いたとき、ベクトル検索は「PostgreSQL」に言及したテキストを返します。しかし、なぜやめたのか — 「運用コストが想定の 3 倍だった」という根拠、「鈴木が調査し、田中が判断した」という文脈、「MySQL も同じ理由で却下された」という関連決定 — これらは類似度では辿れません。

テキストの「意味的な近さ」と「論理的な関係性」は別物です。ベクトル検索は前者に強いですが、後者は構造化しないと失われます。

Microsoft GraphRAG の登場と 3 つの課題

2024 年、Microsoft Research が GraphRAG を公開しました。テキストからナレッジグラフを自動構築し、コミュニティ分析でグローバルな俯瞰クエリに答える。画期的なアプローチでした。

しかし、実際に使ってみると 3 つの問題がありました。

1. GPT-4 が必須で、コストが高い

1 万ドキュメントで $50〜200。社内データを継続的に投入するには非現実的です。公式ドキュメントにも「GraphRAG indexing can be an expensive operation」と警告があります。

2. バッチ処理前提

Slack の会話をリアルタイムに取り込めません。コーパス全体を CLI で再処理する設計です。最新版(v3.0.8)でもストリーミングワークフローは内部パイプラインの最適化であり、外部からのリアルタイム投入ではありません。

3. 「なぜ」が辿れない

エンティティとリレーションは抽出されますが、スキーマが汎用的すぎます。Entity と Relationship を LLM に自由に抽出させるアプローチでは、「この決定の根拠は何か」という構造的な追跡が保証されません。

traceable_pairs — 「なぜ」をスキーマで定義する

「検索結果で『なぜ』を辿れるようにする」には、スキーマレベルで主張と根拠の関係を定義する必要があります。これが Vegapunk の中核概念 traceable_pairs です。

# schemas/discussion.yml
nodes:
  Decision:
    attributes:
      summary: { type: string, required: true }
      decided_at: { type: string }
  Rationale:
    attributes:
      summary: { type: string, required: true }

edges:
  BECAUSE: { from: Decision, to: Rationale }

traceable_pairs:
  - claim: Decision
    evidence: Rationale
    edge: BECAUSE

traceable_pairs は「主張(claim)」と「根拠(evidence)」の関係をエッジタイプとともに宣言します。この定義により 3 つの効果が生まれます。

LLM の抽出精度が上がる。 プロンプトに「Decision と Rationale の BECAUSE 関係を抽出せよ」と明示的に指示できます。スキーマで抽出対象を絞ることで、小さい LLM(1.5B パラメータ)でも実用的な精度が出ます。

検索結果で根拠が自動展開される。 Decision ノードがヒットしたら、BECAUSE エッジを辿って Rationale も返します。

根拠追跡性を定量評価できる。 traceability スコアで「検索結果のうち、根拠まで辿れた割合」を測定できます。

Rust の型定義もスキーマに対応しています。

// src/schema/mod.rs
#[derive(Debug, Clone, Serialize, Deserialize)]
pub struct TraceablePair {
    pub claim: String,
    pub evidence: String,
    pub edge: String,
}

#[derive(Debug, Clone, Serialize, Deserialize)]
pub struct SchemaDefinition {
    pub name: String,
    pub version: u32,
    // ...
    #[serde(default)]
    pub traceable_pairs: Vec<TraceablePair>,
}

スキーマは YAML ファイルとして schemas/ ディレクトリに配置するだけで認識されます。サーバ再起動は不要です。

検索の仕組み — ベクトル検索 + グラフ走査の一体操作

Vegapunk の検索は、ベクトル検索とグラフ走査を単一の Search RPC で提供します。内部の流れは以下のとおりです。

// src/search/local.rs — ローカル検索の概要

// 1. クエリをベクトルに変換
let query_vec = embedder.embed(&req.text)?;

// 2. ベクトル検索(スキーマスコープ + 時間フィルタ対応)
let vector_hits = storage.vector
    .search(&query_vec, top_k, filter_str.as_deref()).await?;

// 3. ヒットしたノードからグラフを走査
for hit in &vector_hits {
    if let Some(node) = storage.graph.get_node(&hit.node_id)? {
        results.push(/* message node */);

        // Decision → BECAUSE → Rationale などを自動展開
        let neighbors = storage.graph.traverse(&hit.node_id, depth)?;
        for neighbor in neighbors {
            results.push(node_to_result_item(&neighbor));
        }
    }
}

クライアントから見ると「テキストを投げて結果を受け取る」だけです。ベクトル検索で関連テキストを見つけ、グラフ走査で traceable_pairs のエッジを辿り、根拠まで含めた結果を一度に返します。

5 つの設計原則

Vegapunk の設計原則は以下の 5 つです。

  1. テキストを投げるだけ — クライアントは Embedding やグラフ構築を意識しない
  2. 既定はローカル完結 — デフォルトで LLM / Embedding をローカル実行。完全オフライン動作が可能。必要に応じて外部 LLM(Gemini, Anthropic, OpenAI)をタスクごとに選択できる
  3. 検索は一体操作 — ベクトル検索 → グラフ走査を単一の Search RPC で提供
  4. 保存は速く、推論は非同期 — 同期パス(保存 + Embedding)と非同期パス(LLM 推論)を分離
  5. 安全なデフォルト — localhost バインド + 認証無効。LAN 公開時は認証を強制(起動時チェック)

特に原則 4 は、リアルタイム投入を可能にする鍵です。テキストを投入すると、グラフとベクトルへの保存は同期的に即座に完了し、LLM によるエンティティ抽出はバックグラウンドのジョブキューで非同期に処理されます。

MS GraphRAG v3.0.8 との比較

Vegapunk v0.1.0 MS GraphRAG v3.0.8
コンセプト 根拠追跡型(traceable_pairs) 汎用 GraphRAG
処理方式 常駐 gRPC サーバ(リアルタイム投入) CLI バッチパイプライン
LLM 依存 ローカル内蔵 / タスク別に外部切替 外部 API 必須(実質)
コスト ローカルなら実質ゼロ LLM API コスト高
スキーマ ドメイン特化 + traceable_pairs 汎用(LLM に委任)
根拠追跡性 traceable_pairs で定義・評価 なし
フィードバック学習 1-5 評価 + 4 軸採点 + 自動改善 なし
構造検索 Node2Vec + テキストスコア合成 なし
検索レイテンシ LLM 不使用で即座に返る クエリ時も LLM 呼び出し
オフライン動作 完全対応 非対応
言語 Rust シングルバイナリ Python

次回予告

第 2 回では、Vegapunk のスキーマ駆動アーキテクチャを掘り下げます。discussion スキーマの 16 ノードタイプ・18 エッジタイプの全体像、検索品質を定量評価する 4 軸評価モデル、そして同期 / 非同期の二層アーキテクチャについて解説します。

Discussion