ほとんどの人は、AI を高額な検索エンジンのように使っています。チャットを開いて質問し、答えを得て、タブを閉じる。翌日には、AI が何も覚えていないのでゼロからやり直しです。
しかし、ある開発者たちは月に 10,000 ～ 20,000 ドルを稼いでいます。それは単に、彼らの AI システムが 2 倍速く応答し、より正確な回答を提供し、競合他社よりも 85% コストが低いからです。彼らは特別なモデルを使っているわけではありません。普通のモデルの周りに適切なアーキテクチャを構築したのです。
それが「Kimi K3 + Graph Engineering」です。Microsoft はこれが機能することを証明するために何年も費やしました。コスト 85% 削減、精度 18% 向上。
ここでは、これをゼロから 1 週間で構築する方法を説明します。
なぜ通常の RAG はある時点で機能しなくなるのか
ほとんどの開発者は、同じ方法で AI システムを構築します。ユーザーが何かを尋ねると、システムがドキュメントを検索し、類似したテキスト断片を見つけ、モデルが回答を生成します。単純な質問にはうまく機能します。複雑な質問では完全に崩壊します。
「なぜ 3 月に売上が落ちたのか？」と尋ねると、通常の RAG は「売上」と「3 月」という単語を含むドキュメントを見つけます。断片は見つかります。原因の連鎖は見つかりません。
1通常の RAG の回答：23 月の売上に言及した 5 つのドキュメントです。34Graph Engineering の回答：5売上減少の原因はリリースの遅延6サプライヤーの問題が原因7倉庫の障害が引き金8これにより否定的なレビューが発生9コンバージョン率が 23% 低下しました。
同じモデル。同じデータ。完全に異なる結果。一方のシステムはテキストを検索し、もう一方は実際の事実間のつながりを検索するからです。
これこそ、Microsoft、Stanford、Anthropic がそれぞれ独自に解明したことです。そして、これを理解している開発者が他の誰よりも速く進んでいる理由です。
ナレッジグラフとは実際には何か
ナレッジグラフは情報をトリプルとして保存します：
1主体 → 関係 → オブジェクト
実際の例：
1Kimi K3 → 開発元 → Moonshot AI2Kimi K3 → コンテキストウィンドウ → 100 万トークン3Microsoft → 構築 → GraphRAG4GraphRAG → コスト削減 → 85%5Anthropic → 作成 → Claude6Claude → 対応 → MCP
すべての情報は、2 つのエンティティ間の明示的な接続です。この情報がどこかに含まれているかもしれない段落ではなく、直接クエリできる構造化された事実です。
1通常のデータベース：2企業のテーブル3製品のテーブル4それらの間の明示的な接続なし56ナレッジグラフ：7企業 → 作成 → 製品8製品 → 競合 → 他の製品9他の製品 → 所有 → 他の企業10企業 → 出資 → 他の企業
グラフは事実を保存するだけではありません。事実が互いにどのように接続されているかを保存します。それが複雑な推論を可能にし、モデルがどれだけ優れていても通常の RAG には決してできないことです。
Stanford AI Lab はナレッジグラフを、情報が主体-関係-オブジェクトのトリプルでエンティティと関係のネットワークとして表現される構造化データベースと定義しています。検索、レコメンデーション、間接的なつながりを見つける必要があるタスクで使用されます。
なぜ Kimi K3 がこのアーキテクチャに適したモデルなのか
ほとんどのモデルのコンテキストウィンドウは 128,000 ～ 200,000 トークンです。Kimi K3 は 100 万トークンです。これは単なる印象的な数字ではなく、特に Graph Engineering にとってアーキテクチャ上の利点です。
グラフはサブグラフ、証拠の連鎖、接続されたエンティティのリストを返します。これらすべてがコンテキストウィンドウ内のスペースを占有します。コンテキストが小さいとグラフをカットする必要があります。100 万トークンあれば、グラフの関連部分全体が 1 つのセッションに収まります。
1Kimi K3 アーキテクチャ：2総パラメータ数 2.8 兆3MoE のエキスパート 896、トークンあたりアクティブ 164コンテキストウィンドウ 1,048,576 トークン5ネイティブ画像分析6長いシーケンス用の Kimi Delta Attention7レイヤー間の信号を保持する Attention Residuals
Kimi Delta Attention は、長いシーケンスを扱うコストを削減するハイブリッドメカニズムです。Graph Engineering にとって、これはシステムがモデルに大きなサブグラフ、長い証拠リスト、多数のドキュメント、リポジトリ構造を、壊滅的なコスト増加なしに渡せることを意味します。
しかし、100 万トークンでも一時的なメモリです。セッションが終わればすべて消えます。
1100 万トークンのコンテキスト = セッションあたりの大きな作業領域2ナレッジグラフ = セッション間の永続的な構造化メモリ
Kimi K3 は規模と推論を提供します。Graph Engineering は記憶と構造を提供します。これらが連携して、同時に異なる問題を解決します。
ドキュメント 1 - Microsoft GraphRAG
Microsoft は GraphRAG を構築し、オープンソース化しました。彼らの研究結果は、Graph Engineering が通常の RAG と比較して実際に何を提供するかについての最も具体的な証拠です。
このアーキテクチャは、非構造化テキストを完全なナレッジグラフに変換します：
1ドキュメントを読み込む2↓3ドキュメントをチャンク化4↓5エンティティと関係を抽出6↓7グラフを構築8↓9コミュニティを検出10↓11コミュニティレポートを生成12↓13エンティティとレポートを埋め込み14↓15ローカル検索 / グローバル検索
Microsoft からの重要な洞察：通常の RAG はローカルな質問にはうまく答えます（この特定のエンティティに関する情報を見つける）。しかし、グローバルな質問には失敗します（これら 10,000 のドキュメント全体の主なパターンは何か、データセット全体でこれらのイベントを結びつけるものは何か）。
Graph Engineering は両方に答えます。
1ローカル検索 | 3 月にサプライヤー X で何が起きたか2 | 特定のノードとその接続を見つける34グローバル検索 | サプライヤー関係全体における5 | 主なリスクパターンは何か6 | グラフ全体のパターンを見つける
ChatP&ID 研究からの実際の数値：
1精度の向上 | 生のドキュメントアプローチより 18% 高い2トークンコストの削減 | 構造化ファイルを直接読み込むより 85% 低い3タスクあたりのコスト | テスト構成で約 $0.004
ドキュメント 2 - LLM とナレッジグラフを組み合わせる 3 つのモード
言語モデルとナレッジグラフを組み合わせる最も強力な理論的論文の 1 つで、3 つのモードが説明されています：
1モード 1 - KG 拡張 LLM2グラフがモデルに事実と構造を提供3モデルがより良い回答を生成45モード 2 - LLM 拡張 KG6モデルがグラフを作成、洗浄、拡張7グラフは時間とともに改善89モード 3 - 相乗効果 LLM + KG10グラフとモデルが相互に改善し合う11最も強力なモード
Kimi K3 + Graph Engineering には、3 番目のモードが最適です。Kimi K3 が新しい事実を抽出し、グラフに追加します。グラフは Kimi K3 に推論のための構造化されたコンテキストを提供します。このサイクルが繰り返され、システムは反復ごとに改善されます。
ドキュメント 3 - 言語モデルのためのリレーショナルメモリ
MIT Press、Transactions of the Association for Computational Linguistics。
この研究は、言語モデルをリレーショナルメモリ（テキスト断片ではなく関係のナレッジグラフ）に接続したときに何が起こるかを示しています。
1テキストコンテキスト2↓3グラフから関連する関係を抽出4↓5リレーショナルメモリ6↓7言語モデル8↓9より首尾一貫した正確な生成
主要な発見：明示的な関係構造にアクセスできるモデルは、テキストのみから作業するモデルよりも、より首尾一貫したテキストを生成し、論理エラーが少なくなります。
これは、Graph Engineering が機能する科学的説明です。モデルはテキストから関係を推論する必要がありません。関係はグラフ内で明示的です。モデルはそれらを直接使用します。
CC BY 4.0 で公開 - 帰属表示付きで自由に使用できます。
ドキュメント 4 - ナレッジグラフエンジニアリングのスケーリング則
ナレッジグラフエンジニアリングタスクで 26 のオープンソースモデルを比較した研究。結論はこの分野で最も重要な発見の 1 つです：
1大きなモデル + 悪いグラフ | 結果は悪い2小さなモデル + 良いグラフ | 結果は良い
適切なグラフは、より大きなモデルに勝ります。毎回。
Microsoft が GraphRAG で、Anthropic が Claude Code で到達したのと同じ結論です。モデル自体よりも、モデルの周りのシステムが出力を決定します。Graph Engineering はその原則の最も具体的な実装です。
ドキュメント 5 - エージェント・アズ・ア・グラフ
この論文は、知識だけでなく、エージェントやツールをグラフのノードとして表現する方法を示しています。
1ユーザーの質問2↓3機能のグラフ4↓5研究エージェントを選択6↓7GitHub ツールを選択8↓9ArXiv ツールを選択10↓11グラフデータベースツールを選択12↓13Kimi K3 が実行を調整
著者らは、LiveMCPBenchmark において、同等のレトリバーと比較して Recall@5 が 14.9%、nDCG@5 が 14.6% 改善したと報告しています。
Kimi K3 にとって、これはグラフが知識だけでなく、特定のタスクにどのエージェントとどのツールを使用するかを管理できることを意味します。
ドキュメント 6 - Kimi Code と Agent SDK
Kimi Code はターミナルエージェントで、以下のことができます：
1コードの読み取りと編集2シェルコマンドの実行3ファイルの検索4ウェブページの取得5各ステップの結果を分析6次のアクションを自律的に選択7MCP に対応8ライフサイクルフック9承認モード
Kimi Agent SDK を使用すると、Kimi Code を独自のエージェントの基盤として使用できます。Kimi Code のツール、スキル、MCP サーバー設定を再利用します。
Graph Engineering にとって、これは既製の実行レイヤーです。グラフは構造化された知識と推論パスを提供します。Kimi Code は実際の環境でアクションを実行します。SDK がすべてを結びつけます。
全体のシステムアーキテクチャ
1ステップ 1 - 取り込みレイヤー2PDF、ウェブサイト、データベース、API、Slack、Notion3↓45ステップ 2 - 抽出レイヤー6Kimi K3 がエンティティと関係を抽出78{9 "entity": "Kimi K3",10 "type": "AI model",11 "relations": [12 {13 "predicate": "developed_by",14 "object": "Moonshot AI",15 "confidence": 0.9816 }17 ]18}1920↓2122ステップ 3 - 解決レイヤー23システムがこれらが同じエンティティかどうかを解決：24Moonshot AI / Moonshot / Beijing Moonshot / 月之暗面2526↓2728ステップ 4 - グラフストレージ29Neo4j / Memgraph / Amazon Neptune / PostgreSQL3031↓3233ステップ 5 - 検索レイヤー34ベクトル検索 + エンティティルックアップ + パス検索35コミュニティ検索 + 時間フィルタリング3637↓3839ステップ 6 - エージェントレイヤー40Kimi K3:41アプローチを計画42適切なツールを選択43Cypher または SPARQL クエリを生成44サブグラフを分析45ウェブ研究を実行46結論を導き出す47次の知識ギャップを特定4849↓5051ステップ 7 - 検証レイヤー52証拠の網羅性をチェック53矛盾を発見54信頼度を評価55ソースを検証5657↓5859ステップ 8 - グラフ更新60新しい事実をグラフに追加61矛盾にフラグを立てる62古い情報にタイムスタンプを付与
これは閉じた知識-アクションループです。Kimi K3 はグラフを読むだけではありません。不足しているものを特定し、サブ質問を形成し、ノードまたはサブグラフを選択し、検索を実行し、結果を確認し、新しい事実を追加し、仮説を再評価します。
パイプライン全体を実行する 5 つのプロンプト
Graph Engineering はプロンプトを置き換えるのではなく、各特定のステージでそれらを使用します。
プロンプト 1 - 抽出
1すべての組織、人物、製品、イベントを抽出してください。23各エンティティについて以下を返してください：4- 正式名5- タイプ6- 説明7- ソース89各関係について以下を返してください：10- ソースエンティティ11- 関係タイプ12- ターゲットエンティティ13- 証拠14- 信頼度スコア
プロンプト 2 - 正規化
1以下のエンティティを比較してください。2それらが以下を参照しているかどうかを判断してください：3- 同じエンティティ4- 関連しているが異なるエンティティ5- 無関係なエンティティ67正式名と説明を返してください。8明確な証拠なしにエンティティをマージしないでください。
プロンプト 3 - グラフクエリ
1ユーザーの質問を Cypher クエリに変換してください。2スキーマに存在する関係のみを使用してください。3ラベルやプロパティをでっち上げないでください。4クエリとロジックの説明を返してください。
プロンプト 4 - 根拠のある回答
1検索されたグラフパスのみを使用して回答してください。2すべての結論について：3- サポートするノードを特定4- 関係パスを特定5- 不確かさを明確に述べる6- 相関から因果を推測しない
プロンプト 5 - グラフメンテナンス
1新しい事実を既存のグラフと比較してください。2各事実を以下のいずれかに分類してください：3- 新しい4- 重複5- 矛盾6- 更新7- 不明確89証拠なしに既存の事実を上書きしないでください。
このシステムで構築できる 5 つのビジネス
1 - 投資調査
1企業2├── 創業者とその過去のプロジェクト3├── 投資家とそのポートフォリオ4├── 競合他社とその戦略5├── 法的リスク6├── 特許7├── 戦略シグナルとしての求人情報8└── 時間経過に伴う財務指標
Kimi K3 がレポートやニュースを読み取ります。グラフは、企業間の隠れたつながり、共通の投資家、サプライヤー依存関係、人材シグナルを示します。クライアント：投資ファンド、法律事務所、M&A コンサルタント。月額 $2,000 ～ $10,000 をクライアントごとに請求。
2 - エンジニアリングインテリジェンス
1GitHub コミット + Jira チケット + Linear タスク2↓3エンジニアリングワークのグラフ4↓5インシデント検出が 5 倍高速化6打ち合わせ時間が 50% 削減7自動リリースノート
LaunchNotes はすでにこれを販売しています。市場は、複数のプロジェクト管理ツールを使用しているすべてのエンジニアリングチームです。
3 - 科学研究エンジン
1論文 → 著者 → 所属機関 → 手法 → データセット → 結果2↓3どの GraphRAG 手法がコミュニティ検出を使用しているか、4どのデータセットでテストされたか、5どの論文が互いに矛盾しているか
通常の検索はドキュメントのリストを返します。グラフシステムは証拠と矛盾のマップを構築します。
4 - サイバーセキュリティ脅威グラフ
1IP → ドメイン → 証明書 → マルウェア → キャンペーン → 攻撃者2↓3Kimi K3 が脅威レポートを分析4複数のソースにわたって指標をマッピング5攻撃パスを説明6脅威グラフを自動更新
5 - パーソナルナレッジ OS
1人 ↔ 打ち合わせ ↔ プロジェクト ↔ ドキュメント ↔ 決定 ↔ 約束2↓3Kimi K3 が答えられる質問：4このタスクをブロックしているのは誰か？5私たちは何を決定し、その根拠は何か？6今月私は何をすると約束したか？7どの古い前提がもはや有効でないか？
今週どこから始めるか
11 日目 | Neo4j をローカルにインストール2 | DSPy の README を読む3 | github.com/stanfordnlp/dspy4 | プロンプトとシステムのプログラミングの5 | 違いを理解する672 日目 | 1 セットのドキュメントを用意8 | Kimi K3 を API 経由で実行9 | 最初のエンティティと関係を抽出10 | Neo4j に保存11123 日目 | 最初の検索レイヤーを構築13 | ベクトル検索とグラフ検索を組み合わせる14 | RAG が答えられない複雑な質問でテスト15164 日目 | Kimi Code を MCP 経由で接続17 | github.com/MoonshotAI/kimi-code18 | エージェントにグラフを読み取らせ、新しい事実を追加させる19 | 最初の知識-アクションループを実行20215 日目 | 結果を測定22 | 通常の RAG と精度を比較23 | トークンコストを比較24 | 最初の実際のクライアントユースケースを見つける
Microsoft、Stanford、Anthropic が共に解明したこと
1Microsoft GraphRAG | グラフがコストを 85% 削減、精度を 18% 向上2Stanford DSPy | モデルはグラフ内のノードであって、中心ではない3Stanford スケーリング則 | 小さなモデル + 良いグラフが大きなモデルに勝る4MIT Press 研究 | 明示的な関係が首尾一貫性と精度を向上5Anthropic LaunchNotes | インシデント検出が 5 倍高速、打ち合わせ時間が 50% 削減
Kimi K3 はエンジンです。Graph Engineering は地図であり、記憶であり、座標系です。エンジンがなければグラフは動作しません。グラフがなければエンジンは非常に速く動きますが、どこへ向かっているのか常にわかっているわけではありません。
ほとんどの開発者は通常の RAG を構築し続け、複雑な質問がなぜ悪い回答を返すのか疑問に思うでしょう。少数の開発者は 1 週間を費やしてグラフシステムを構築し、テキスト検索には二度と戻らないでしょう。
あなた自身の人生を築くのです。だから正しい道を選びましょう。
/ これが役に立ったなら、フォローしてください /
