mcpField
K
knowledge-graph-builder

knowledge-graph-builder

github.com/oakossデータ・データベース20216 回インストール11 週間前に更新
リポジトリ

knowledge-graph-builder について

エンティティと関係を表現し、AIの検索や推論に活用するナレッジグラフの設計スキルです。オントロジー設計、エンティティ解決、信頼度評価、グラフとベクトルの併用を扱います。

主な機能

  1. 01オントロジーを軸にしたモデル設計
  2. 02エンティティ解決と重複排除
  3. 03関係の信頼度と出典の記録
  4. 04グラフ・ベクトル検索のパターン
  5. 05段階的なグラフ構築

活用シーン

  1. 01構造化された関係に基づくAI回答の根拠付け
  2. 02エンティティと関連情報の検索
  3. 03レコメンドや不正検知システムの設計

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/oakoss/agent-skills --skill knowledge-graph-builder

インストール後、Claude Code で/knowledge-graph-builderを入力して読み込まれたか確認します。

同梱ファイル

SKILL.md と一緒にインストールされる参考資料やスクリプト。

references/
ai-integration.md
database-selection.md
entity-extraction.md
hybrid-architecture.md
ontology-design.md
query-patterns.md

詳細

ナレッジグラフビルダー

概要

ナレッジグラフは、暗黙的な関係を明示することで、AI システムがつながりを推論し、事実を検証し、ハルシネーションを減らせるようにします。構造化されたエンティティと関係のモデル化にセマンティック検索を組み合わせ、強力なナレッジ検索を実現します。

使用する場合： エンティティ間の複雑な関係がドメインの中核となる場合、構造化されたナレッジに照らして AI が生成した事実を検証する場合、関係のたどりとセマンティック検索を組み合わせる場合、レコメンデーションシステム、不正検知、パターン認識。

使用しない場合： 単純な表形式のデータ（リレーショナルデータベースを使用）、関係のないドキュメントベースの検索のみ（rag-implementer スキルを使用）、関係のたどりが不要な読み取り中心のワークロード、またはチームにグラフモデリングの専門知識がない場合。ナレッジベースのアーキテクチャ選定とガバナンスには、knowledge-base-manager スキルを使用してください。

クイックリファレンス

パターンアプローチポイント
オントロジーを先に定義データを取り込む前に、エンティティの種類、関係、プロパティを定義します後からスキーマを変更するのは高コストです。ドメインの専門家に検証してもらいましょう
エンティティ解決抽出時に積極的に重複を排除します「Apple Inc」＝「Apple」＝「Apple Computer」を1つのエンティティとして解決する必要があります
信頼度スコアすべての関係に0.0～1.0のスコアとソースを付与します信頼性によるフィルタリングが可能になり、AI のグラウンディングに不可欠です
ハイブリッドアーキテクチャグラフのたどり（構造化）＋ベクトル検索（セマンティック）ベクトル検索で候補を見つけ、グラフで関係を通じてコンテキストを拡張します
段階的な構築まずコアエンティティを用意し、対象クエリに照らして検証してから拡張します実際のクエリでテストする前にグラフ全体を構築するのは避けましょう
データベースの選定Neo4j（汎用）、Neptune（AWS マネージド）、ArangoDB（マルチモデル）、TigerGraph（大規模向け）データベースは規模、インフラストラクチャ、クエリの複雑さに合わせて選びましょう

よくある間違い

間違い正しい方法
オントロジーを設計する前にエンティティを取り込むまずドメインの専門家とオントロジーを定義して検証します。後からの変更は高コストです
エンティティ解決と重複排除を省略する「Apple Inc」、「Apple」、「Apple Computer」を1つのエンティティとして解決できるよう、積極的に重複を排除します
関係に信頼度スコアを付けないすべての関係に0.0～1.0の信頼度スコアとソースを付与します
ベクトル検索を使わず、グラフのたどりだけを使うグラフのたどりとセマンティックベクトル検索を組み合わせたハイブリッドアーキテクチャを実装します
実際のクエリで検証する前にグラフ全体を構築するコアエンティティから始め、対象クエリでテストしてから段階的に拡張します
規模の要件を理解する前にデータベースを選ぶ選定前にクエリパターン、データ量、インフラストラクチャの制約を評価します

委任

  • 非構造化テキストからエンティティと関係を抽出する：Task エージェントを使用して、NER パイプラインを実行し、関係のトリプルを構築します
  • プロジェクトの要件に適したグラフデータベースを評価する：Explore エージェントを使用して、規模とクエリのニーズに照らして Neo4j、Neptune、ArangoDB、TigerGraph を比較します
  • 新しいドメイン向けのオントロジーとハイブリッドアーキテクチャを設計する：Plan エージェントを使用して、エンティティの種類、関係スキーマ、グラフとベクトルの統合戦略を定義します
  • ハイブリッド KG+RAG システムでは、rag-implementer スキルに委任します
  • ナレッジグラフを活用したエージェントのワークフローでは、agent-patterns スキルに委任します

参考資料

コメント

Markdown 対応