「昨日の常識」はAIを狂わせる——時間軸を持つナレッジグラフ「Graphiti」が挑む、RAGの最大の死角
「社内規程の改定をRAG（検索拡張生成）に反映したはずなのに、LLMが古い制度をドヤ顔で回答してくる」
「顧客が先月『解約を検討している』と言い、昨日『継続を決めた』と言ったのに、AIエージェントが過去の発言に引きずられて的外れな提案をしてしまう」
生成AIを現場に導入し、プロトタイプから本番運用へと進めようとしているエンジニアやプロダクトマネージャーなら、誰もが一度はこうした「記憶の矛盾」に頭を抱えたことがあるはずです。
LLM（大規模言語モデル）のビジネス応用において、現在最もホットな議論の中心にあるのは「エージェントの長期記憶（Long-term Memory）」と「GraphRAG（ナレッジグラフを活用したRAG）」です。その最先端を走るオープンソースプロジェクトとして、海外のエンジニアコミュニティHacker Newsで大きな注目を集めたのが**「Graphiti」**です。
Graphitiが解決しようとしているのは、従来のRAGやナレッジグラフが見落としていた最大の盲点——「時間（Time）」の概念です。
はじめに：海外でいま何が注目されているのか？
LLMの文脈において、2023年は「ベクトル検索によるシンプルなRAG」が爆発的に普及した年でした。しかし2024年に入ると、ベクトル類似度検索だけでは「文書全体の構造」や「エンティティ同士の複雑な関係性」を捉えきれないという課題が浮き彫りになり、Microsoftが提唱した「GraphRAG」をはじめとするナレッジグラフ連携がトレンドとなりました。
しかし、GraphRAGにも依然として大きな課題が残されていました。それは**「世界は常に変化している」という当たり前の事実をどう扱うか**です。
一般的なナレッジグラフは「静的なスナップショット」です。情報を追加・更新しようとすると、グラフ全体を再構築するか、あるいは過去の古い事実と新しい事実が同じノードに並列でぶら下がり、LLMが「今、何が正しいのか」を判断できなくなってしまいます。
AIエージェント向けの長期記憶エンジン「Zep」を手掛けるチームがオープンソースとして公開したGraphitiは、まさにこのペインを直撃しました。「Temporal Knowledge Graphs（時間軸を持つナレッジグラフ）」をLLM駆動で自律構築・更新できるPythonフレームワークとして登場し、瞬く間にエンジニアたちの関心を集めたのです。
この技術・ツールの何が革新的なのか？（技術的要点と仕組み）
Graphitiの革新性を一言で表すなら、**「エピソード記憶（出来事の時系列）と意味記憶（概念の関係性）を、動的かつ矛盾なく統合できる点」**にあります。技術的な要点は主に以下の3点に集約されます。
1. エッジ（関係性）に「有効期間」を持たせる時間モデリング
従来のナレッジグラフでは、例えば以下のような関係性を登録すると破綻が起きます。
`[田中さん] --(所属)--> [A社]`
`[田中さん] --(所属)--> [B社]`（転職後）
両方のエッジが存在すると、グラフ検索をした際にLLMは「田中さんはA社とB社の両方に所属している」と誤認しがちです。
Graphitiでは、抽出される事実（エッジ）に対してタイムスタンプや有効期間（Valid Time）を付与します。新しい情報が入ってきた際、LLMが「この情報は過去のどの事実と矛盾するか、あるいはどの事実を上書きするものか」を判定し、過去のエッジを無効化（あるいは過去のものとしてアーカイブ）します。これにより、「2023年時点の田中さんの所属」と「現在時点の田中さんの所属」を明確に区別してクエリできるようになります。
2. インクリメンタル（逐次的）なグラフ構築
多くのGraphRAGパイプラインは、大量のドキュメントを一括処理して巨大なグラフを「バッチ構築」することを前提としています。そのため、新しいチャットのログや1通のメールが届くたびにグラフを更新するのはコスト的にも計算量的にも極めて困難でした。
Graphitiは、ストリーミングデータや断続的な会話ログから、インクリメンタルにグラフを更新できるように設計されています。新しいメッセージが入力されると、即座にエンティティと関係性を抽出し、既存グラフとの差分を計算してマージします。この軽量で即時性のあるパイプラインが、リアルタイムに動作するAIエージェントの実装を可能にしています。
3. ベクトル検索とグラフ検索のハイブリッド推論
Graphitiは単にグラフをトラバース（巡回）するだけでなく、エンティティや関係性の自然言語表現を埋め込みベクトルとしても保持しています。ユーザーの問いかけに対して、「意味的な類似度（Vector）」と「関係性・時間軸の制約（Graph/Temporal）」を組み合わせたハイブリッド検索を実行するため、ノイズが少なく精度の高いコンテキストをLLMに提供できます。
日本の現場・ビジネスへの応用アイデア（考察と活用シナリオ）
Graphitiが提示する「時間軸を持つナレッジグラフ」は、とりわけ文書の更新頻度が高く、過去の経緯（コンテキスト）が重視される日本のビジネスシーンで絶大な効果を発揮します。
シナリオ1：企業の「人事異動・組織改編」に負けない社内AIアシスタント
日本の大企業では、定期的な組織改編や人事異動が頻繁に行われます。従来のRAGでは「前任者の残した古い稟議書」と「新体制の業務マニュアル」が混在し、「誰に決裁を取ればいいのか」をAIに尋ねても古い役職者を案内してしまうトラブルが後を絶ちません。
Graphitiをバックエンドに組み込めば、「2024年4月1日以降の決裁ルート」を正しくトラッキングしつつ、「なぜこのルールに変更されたのか」という過去の経緯を尋ねられた場合には、2023年以前の議論を参照して回答するような、極めて知的な社内コンシェルジュが実現できます。
シナリオ2：頻繁に改定される「法規制・社内コンプライアンス規程」の版管理
就業規則、セキュリティポリシー、金融商品取引法や薬機法などの外部規制は、時代とともにパッチが当てられ変化していきます。
現場の担当者が知りたいのは「現在のルール」であると同時に、「過去のあの案件は、当時のレギュレーションに照らして適法だったか」という監査視点の問いです。時間軸ナレッジグラフを用いれば、「2022年10月時点の規程セット」を指定して当時のコンプライアンス違反の有無を自動判定させることが可能になります。
シナリオ3：B2B営業・CRMにおける「関係性の長期記憶」
エンタープライズ営業の現場では、リードを獲得してから受注・運用に至るまで数ヶ月〜数年の時間がかかります。その間に顧客側の担当者が変わり、方針が二転三転することも珍しくありません。
商談ログやメール履歴をGraphitiに流し込むことで、「キーマンの変遷」「過去に却下された提案理由」「予算獲得の時期」を時系列グラフとして構造化できます。新しく着任した営業担当者が「この顧客は過去にどんな経緯で競合他社を選び、なぜ今再検討しているのか？」を一瞬で把握できる強力な営業支援エージェントが構築できます。
おわりに：今後の展望
LLMアプリケーションの開発は、プロンプトの工夫からRAGへ、そしてRAGから「自律的なエージェント」へと急速にシフトしています。そしてエージェントが現実社会で真に役立つ存在になるための最大の関門が、「人間と同じように、時間の経過とともに変化する現実を正しく記憶・忘却・更新できるか」という点です。
GraphitiのようなTemporal Knowledge Graphは、これまでブラックボックスになりがちだった「エージェントの記憶」を、構造化され、検証可能で、監査に耐えうる形（Graph）で制御する道を切り拓きました。
「静的なドキュメントを検索するだけのRAG」の時代は終わりを告げようとしています。自社のデータを「時間とともに変化する生きた知識」としてどう捉え直すか。Graphitiの登場は、次世代のAIアーキテクチャを構想するすべてのエンジニアにとって、見逃せないマイルストーンとなるはずです。
