関連動画
記事では、チャンク化と埋め込みによるRAGを一歩進め、品質を実際に向上させてきた3つの方式を扱います。ナレッジグラフ検索、エージェント型の検索ループ、「100万トークンをそのまま詰め込む」アプローチです。この2本の動画では、そのうち2つの方式を並べた実際に動くデモと、Microsoft式GraphRAGの本来のアーキテクチャを確認できます。記事内の比較を、具体的な参照例とともに理解できます。
38:48Cole Medin
エージェント型RAGとナレッジグラフを組み合わせた実際に動く実装です。エージェントがベクトル検索を行うタイミング、Neo4jへ問い合わせるタイミング、その両方を行うタイミングを判断します。記事で説明する「検索プランナーとしてのエージェント」パターンを、実際にダウンロードして実行できるコードで示す、YouTube上で最も明快なデモです。
このセクションから得られるもの: 具体的な実装を通じて、エージェント型検索とグラフ検索を比較できます。
視聴または事前に知っておくべきもの: 基本的なRAG、グラフデータベース、テンプレートをローカルで実行する作業に慣れていること。
AI Expertの注記: テンプレートの依存関係、モデルの選択、オーケストレーションコードはバージョンに依存するものとして扱ってください。有用なのは検索計画という考え方です。本番利用には、さらに権限、評価、障害処理が必要です。
15:58Prompt Engineering
MicrosoftのGraphRAGに焦点を絞った解説です。エンティティ抽出、コミュニティ要約、クエリ指向の要約を扱い、コストに関する注意事項とともにローカルマシンへセットアップします。特に記事のグラフRAGに関する節のために視聴してください。多くの解説で省略されているコストの議論が重要です。
このセクションから得られるもの: Microsoft式GraphRAGの処理フローである、エンティティ抽出、コミュニティ、要約、クエリ指向の統合を理解できます。
視聴または事前に知っておくべきもの: 単純なベクトル検索では、関係性を重視する質問を見落とすことがある理由を理解していること。
AI Expertの注記: セットアップコマンドとコストは変化する可能性がありますが、アーキテクチャは有用です。このパターンを採用する前に、現在のトークンコストを再計算し、グラフ構築が妥当かを検証してください。
