コンテキストグラフでつながるドット — Neo4j のスティーブン・チン氏

AI を支配するのではなく、AI に「文脈」を与える：Neo4j スティーブン・チン氏が語るコンテキストグラフの革命

私たちは今、AI ツールに支配されているのではないか？エンジニアとして、コードレビューを AI に行われている現状は、まさにこの行き詰まりの象徴です。Neo4j のスティーブン・チン氏は、断片化されたデータサイロから脱却し、組織全体を理解できる「コンテキストグラフ」の実装こそが、AI エージェントを真に制御可能にする鍵だと説きます。

LLM の推論能力と知識グラフの構造化能力を融合させることで、ブラックボックス化しがちな意思決定プロセスを可視化・監査可能にし、金融や医療といった規制の厳しい業界でも信頼性の高い AI 活用が可能になります。今回は、その具体的なアーキテクチャと実証デモを通じて、なぜ今「コンテキストグラフ」が必要なのかを解説します。

エージェントに「文脈」がないと、判断はできない

現在の開発現場では、AI コーディングツールやエージェントが普及する一方で、「私たちがツールを使っているのか、それともツールに利用されているのか」という問いが浮上しています。スティーブン氏は、この状況を「青い薬（現状維持）」か「赤い薬（脱出）」かの選択に例えます。

「Slack の議論や顧客スレッド、そしてそれぞれが分離・分断されたエンタープライズシステムに閉じ込められるのか。それとも、これらのシステムがすべて接続された推論システムを持つことを望んでいるのか」

多くの企業では、重要なビジネス判断を下す際、情報が散在した「泥沼」の中にあります。LLM は広範な一般知識を持っていますが、特定の顧客の履歴や過去の意思決定の背景といった「文脈」を持たなければ、正確な判断は下せません。

「エージェントに重要なビジネス判断をさせたり、アプリケーションが散在する情報に基づいて判断を下させる場合、その結果として生じる混乱の中で、私たちはどうなるのでしょうか。良い回答を与えることは不可能です。なぜなら文脈を持っていないからです」

この状況を打破するのが「コンテキストグラフ」です。Gartner が正式に定義したこの概念は、異なるデータソースや過去の意思決定、ツールの推論履歴を統合し、組織全体を包括的に理解するシステム基盤となります。

3 層メモリ構造：短期・長期・推論の統合

単なる知識グラフではなく、AI エージェントが学習し、説明責任を果たすためには、3 つの層からなるメモリ構造が必要です。Neo4j が提案するのは、これらをグラフ構造で永続的に管理するアプローチです。

1. 短期メモリ（実行中の活動）

現在進行形の会話やパイプラインの状態を記録します。エージェントが今何を処理しているか、現在のコンテキストを保持するための一時記憶です。

2. 長期メモリ（ドメインモデルと履歴）

膨大な量の情報を整理し、永続的に保存する場所です。異なるビジネスプロセス、エンティティ、過去の顧客とのやり取りなどを「ドメインモデル」として表現します。これにより、アプリケーションが過去に何を行ったかという文脈を長期的に保持できます。

3. 推論メモリ（意思決定の根拠）

これが最も重要です。LLM は通常、「結果」だけを出力しますが、推論メモリは「なぜその判断に至ったのか」というプロセスを追跡します。

「過去の追跡から得た経験に基づき学習し、以前の判断があれば、その知見を参照してより良い将来の判断を下すことができます」

この構造により、AI の判断理由が再現可能になり、コンプライアンス対応やデバッグのための強力なフックとなります。

Graph RAG と説明可能性：ブラックボックスを解く

従来のベクトル検索型 RAG（Retrieval-Augmented Generation）では、類似度に基づく検索のため、文脈のつながりを見失いがちです。一方、Graph RAG はグラフトラバーサル（経路探索）を活用することで、隠れた関係性や背景情報を引き出します。

スティーブン氏は、医療ケアプランの例でその違いを明確に示しました。

• LLM のみ: 肺気腫に対する一般的なアドバイス（深呼吸など）しか返せない。
• RAG（ベクトル検索）: 患者の情報に基づき、呼吸療法などを推奨するが、詳細な背景までは把握できない。
• コンテキストグラフ: 「喫煙歴がある」「手術を受けたことがある」という重要な文脈を関係性として抽出し、禁煙カウンセリングや肺リハビリテーションといった根拠のある完全な情報を提供できる。

「もしエージェントがこれらの情報を持っていれば、ネオのようにカンフーを行うことができます。弾を発射したり、あらゆる素晴らしいことができる」

グラフ構造では「関係性」が第一級要素となるため、複雑な構造を高速でナビゲートできます。また、Fast RP などのグラフ埋め込みや Louvain アルゴリズム（コミュニティ検出）を活用することで、ベクトル検索の利点も取り入れつつ、人間が検証可能な形で判断理由を提示することが可能になります。

実証デモ：融資審査とポッドキャスト分析

このアーキテクチャは、オープンソースの「Neo4j Agent Memory」パッケージを用いて即座に導入可能です。スティーブン氏は、以下の 2 つのシナリオでその威力を実演しました。

ポッドキャスト分析（Lenny のポッドキャスト）

高密度な情報を扱うポッドキャストにおいて、AI にメモリへのアクセス権限を与えます。単なる類似検索ではなく、グラフ全体を把握し、登場人物や場所、トピックの関係を動的にナビゲートすることで、文脈を深く理解した回答を生成します。

金融サービスの融資審査（実務シナリオ）

より現実的なユースケースとして、融資承認の判断プロセスを示しました。ユーザーが「ジェシカ・ノリス氏への融資承認すべきか」と質問すると、システムは以下の情報を統合して回答します。

1. 履歴: 過去の銀行口座やマージン取引の記録
2. 推論の追跡: 以前に却下された記録があること
3. リスク要因: 不正検出のパターンとの関連性

「AI モデルが融資を拒否するよう推奨しますが、その理由やリスク要因、過去の判断結果を示し、これが今回の決定に影響を与えるべきです」

このように、バラバラのシステムで見失われがちな情報を統合し、「なぜ拒否されたのか」という根拠を明確に提示できます。これにより、開発者はエージェントの行動を説明でき、ユーザーは信頼できる判断を下すことができます。

まとめ：マトリックスから脱出する鍵

コンテキストグラフは、AI エージェントを「ブラックボックス」から解放し、「監査可能で説明可能なパートナー」へと進化させるための標準的なアーキテクチャです。Gartner が推奨するように、この技術の導入により、金融や医療などの規制業界における AI 導入障壁が下がり、信頼性の高い業務自動化が可能になります。

「私たち全員をマトリックスから救い出すために」。コンテキストグラフは、AI に支配されるのではなく、AI を組織のスーパーヒーローとして活用するための鍵なのです。