用語比較
RAGとGraphRAGの違い｜テキスト断片の検索と知識グラフの関係検索（生成AIパスポート）
生成AIパスポートの2027年版シラバスで「Graph RAG」を見つけ、通常のRAGと何が違うのか迷っている人は、検索対象に注目してください。RAGは、質問に関係する外部情報を検索し、その情報を材料に大規模言語モデルが回答を作る仕組みです。GraphRAGはRAGの一種ですが、元の文書をそのまま断片として探すだけでなく、文書から人物・組織・概念などのエンティティと関係を取り出し、知識グラフとして検索に使います。
質問に意味の近いテキスト断片を探すのが通常のRAG、情報同士のつながりを知識グラフでたどるのがGraphRAGと区別します。GraphRAGは通常のRAGの別名でも、すべての質問で自動的に優れる上位版でもありません。質問が一つの断片で答えられるか、複数の関係を結ぶ必要があるかで使い分けます。
生成AIパスポートの2027年2月適用シラバスは、第3章のRAGの詳細キーワードに、Graph RAGと知識グラフを追加しました。このページでは、MicrosoftのGraphRAG公式文書と、シラバスの照合済み事実だけを使い、検索対象・準備・質問の型・限界の四つで比較します。
この記事の根拠と出典
各セクションの見出しの下に、公式資料で確認した内容か編集部の整理かをラベルで示しています。 試験日・料金・申込条件・試験方式は変わることがあるため、申込前に公式サイトで確認してください。生成AIパスポートの一次情報確認日: 2026-08-31。
- 公式一次資料と照合した内容
- GraphRAGが文書からエンティティ・関係・主な主張を抽出して知識グラフを作り、コミュニティーと要約を生成する処理、Global SearchとLocal Searchの使い分けは、Microsoft GraphRAG公式文書へ2026-11-03に照合しています。生成AIパスポートの出題語は、2027年2月適用版の公式シラバスへ同日に照合しています。
- 編集部が学習用に整理した内容
- 通常のRAGとGraphRAGを質問の範囲、関係の探索、準備の重さから選ぶ手順と、社内規程・複数部門にまたがる関係・大量の報告書の例は編集部の学習上の整理です。
資格ごとの公式資料の一覧
結論
公式一次資料と照合：用語の定義は公式一次資料と照合しています。
通常のRAG
文書をチャンクに分け、質問と意味の近いテキスト断片を検索し、取得した断片を回答の根拠として大規模言語モデルへ渡す。
GraphRAG
文書からエンティティ・関係・主な主張を抽出して知識グラフを作り、関係するまとまりや近隣の情報を検索して回答の材料にする。
判断の軸
一つの断片を探す質問なら通常のRAG、資料全体の傾向や、離れた情報の関係をたどる質問ならGraphRAGを候補にする。
違いを表で確認
| 比較軸 | 通常のRAG | GraphRAG |
|---|---|---|
| 検索する対象 | RAG：質問と意味の近いテキストのチャンク | GraphRAG：エンティティ、エンティティ間の関係、関係するまとまりの要約 |
| 事前の準備 | RAG：文書を分割し、埋め込みを作って検索用の索引へ入れる | GraphRAG：文書の分割に加え、エンティティ・関係・主張を抽出し、グラフと階層的なまとまりを作る |
| 向く質問 | RAG：答えが特定の断片に書かれている質問 | GraphRAG：離れた断片を結び付ける質問、資料全体の主題や傾向をまとめる質問 |
| 回答時の検索 | RAG：ベクトル類似度などで関連チャンクを取得する | GraphRAG：全体の質問ではまとまりの要約、個別の質問では対象エンティティの近隣と関連概念を使う |
| 追加で必要になる処理 | RAG：チャンク分割・埋め込み・検索・生成 | GraphRAG：知識グラフの作成、階層化、まとまりごとの要約を追加する |
| 生成AIパスポートでの語 | RAG、埋め込み、ベクトルデータベース、チャンク分割 | Graph RAG、知識グラフ。2027年2月適用シラバスで詳細キーワードに追加 |
公式一次資料と照合：生成AIパスポート: 2026-08-31に一次資料で確認一次資料の一覧を見る →
生成AIパスポートの学習に使う書籍（Amazon）
試験範囲を通して読むときの1冊です。読んだ章は、このサイトの章別問題で確かめられます。
どこで迷っているかを切り分ける
通常のRAGを、外部文書を読む仕組みすべての名前だと思っている人
RAGは外部情報を検索して回答に使う大きな枠組みです。その検索方法には、テキスト断片のベクトル検索だけでなく、知識グラフを使うGraphRAGもあります。GraphRAGはRAGの外ではなく、RAGを拡張する一つの構成です。
GraphRAGなら、どの質問でも通常のRAGより正確だと思っている人
公式文書がGraphRAGの強みとして挙げるのは、離れた情報を結ぶ質問と、大きな資料全体をまとめて理解する質問です。答えが一つの断片に明記されているなら、通常のRAGでも必要な情報を取得できます。
GraphRAGとAgentic RAGを同じものだと思っている人
GraphRAGは検索対象を知識グラフとして構造化する方法です。Agentic RAGは、質問の分解、検索するかどうか、検索結果が足りるか、質問を書き換えるかをエージェントが判断する構成です。比較する軸が違います。
具体例で使い分ける
編集部の整理
例 1
社内規程の一つの条項を探す場合（架空の場面）
複数の規程を検索できる仕組みで、『在宅勤務の申請期限はいつか』と質問します。期限は一つの規程の一つの条項に明記されています。
- 質問と意味の近いチャンクを検索し、その条項を取得できれば回答できます。
- 人物や部署の関係を複数たどったり、資料全体の傾向をまとめたりする必要はありません。
- 知識グラフを作る前処理を追加しなくても、通常のRAGの検索対象に答えがあります。
結論: 一つの断片で完結する質問なので、まず通常のRAGを候補にします。
例 2
複数部門にまたがる関係をたどる場合（架空の場面）
社内文書から、『製品Aに関わる部門、責任者、利用データ、外部委託先の関係をまとめたい』と質問します。情報は組織図、製品資料、契約一覧に分かれています。
- 一つのチャンクだけでは、製品・部門・人物・データ・委託先の関係をそろえられません。
- GraphRAGは文書からエンティティと関係を抽出し、グラフとしてつなぎます。
- 個別のエンティティを起点に近隣の関係を広げる検索は、この質問の構造に合います。
結論: 離れた情報の関係をたどる質問なので、GraphRAGを候補にします。
例 3
大量の報告書の全体傾向を問う場合（架空の場面）
年度内の報告書全体から、『繰り返し現れる課題と、それに関わる部門のまとまりは何か』と質問します。
- 意味の近い断片を数件取るだけでは、資料全体にまたがる主題を見落とす可能性があります。
- MicrosoftのGraphRAGは、知識グラフを階層的にまとめ、各まとまりの要約を下から上へ作ります。
- 全体を問う検索では、そのまとまりの要約を回答の材料にします。
結論: 資料全体の主題をまとめる質問は、GraphRAGの全体検索に合います。
問題文から答えを選ぶ手順
編集部の整理：通常のRAGとGraphRAGを質問の範囲、関係の探索、準備の重さから選ぶ手順と、社内規程・複数部門にまたがる関係・大量の報告書の例は編集部の学習上の整理です。
- 1
答えが一つの断片にあるかを見る
一つの条項、手順、数値を探すなら、通常のRAGのチャンク検索から考えます。
- 2
複数の関係をたどる必要があるかを見る
人物・組織・製品・出来事など、離れた情報を関係で結ぶならGraphRAGを候補にします。
- 3
資料全体の傾向を問うかを見る
大きな文書群の主題やまとまりを要約する質問は、GraphRAGの階層とまとまりの要約に合います。
- 4
前処理の違いを確認する
GraphRAGにはグラフの構築と要約が必要です。質問の型が通常の検索で足りるなら、追加処理を前提にしません。
試験での見分け方
編集部の整理
- 1RAGは、外部情報を検索し、取得した情報を大規模言語モデルの回答生成に使う仕組みである。
- 2MicrosoftのGraphRAGは、元の文書から知識グラフを抽出し、関係するエンティティのまとまりと要約を作る、構造化された階層的なRAGである。
- 3GraphRAGの全体検索は、資料全体に関する質問へまとまりの要約を使い、個別検索は対象エンティティの近隣と関連概念を使う。
- 4生成AIパスポートの2027年2月適用シラバスは、RAGの詳細キーワードにGraph RAGと知識グラフを載せる。
誤答しやすい選択肢
GraphRAGをRAGとは別の生成手法と考える
修正: GraphRAGはRetrieval Augmented Generationを知識グラフで拡張する方法です。回答を作る前に外部情報を検索して使う点はRAGと共通します。
GraphRAGは質問のたびに文書からグラフを作ると考える
修正: 公式の基本手順では、索引作成時にエンティティ・関係・主張を抽出し、階層と要約を作ります。質問時は、その構造を検索に使います。
GraphRAGとAgentic RAGを同じ語として扱う
修正: GraphRAGは検索対象の構造、Agentic RAGは検索の計画や条件分岐をエージェントに担わせる構成です。
知識グラフを作れば、根拠の確認が不要になると考える
修正: グラフも元文書から抽出した情報です。回答に使った関係が元の資料に基づくかを確かめる必要は残ります。
確認問題
Q1質問と意味の近いテキスト断片を検索して回答の材料にする基本構成は？
答え: 通常のRAG
文書をチャンクに分け、埋め込みなどを使って関連する断片を取得します。
Q2文書からエンティティと関係を抽出し、知識グラフを検索に使う構成は？
答え: GraphRAG
関係するエンティティのまとまりと要約も、回答時の材料にします。
Q3資料全体の主題を問う質問で、GraphRAGが使うものは？
答え: 関係するまとまりの階層と要約
MicrosoftのGraphRAGは、まとまりごとの要約を下から上へ作り、全体検索に使います。
Q4Graph RAGが生成AIパスポートの詳細キーワードに入るのはどの版？
答え: 2027年2月試験から適用されるシラバス
2026年2月適用版にはなく、2027年2月適用版で追加されています。
到達チェック
- 通常のRAGとGraphRAGが検索する対象を言い分けられる
- 一つの断片を探す質問と、複数の関係をたどる質問を分けられる
- GraphRAGの索引作成と質問時の処理を混同していない
- GraphRAGとAgentic RAGの違いを説明できる
関連ページで確認する
同じ資格で次に知りたいこと
- ファインチューニングとプロンプトエンジニアリングの違い｜モデルを変えるか、指示を変えるか（生成AIパスポート）
ファインチューニングとプロンプトエンジニアリングの違いを、変えるもの、必要なデータ、反映の速さ、向く場面で整理。生成AIパスポートの試験で選択肢を切り分ける判断手順と確認問題つき。
- 構造化出力とFunction Callingの違い｜回答の形を決めるか、外部ツールを呼ぶか（生成AIパスポート）
構造化出力とFunction Callingの違いを、モデルが返すもの、外部処理の有無、JSON Schemaの役割で整理。回答そのものを決めた形で受け取る場合と、関数名・引数を受け取ってアプリが外部処理を実行する場合を、生成AIパスポート向けに比べます。
- 貪欲法とビームサーチの違い｜次の1語だけで選ぶか、複数の候補を保つか（生成AIパスポート）
貪欲法(greedy search)とビームサーチ(beam search)の違いを、選び方・先読み・向く作業・サンプリングとの関係で整理。生成AIが次のトークンを選ぶ仕組みを、確認問題つきで確認できる。
よくある質問
QRAGとGraphRAGの違いは？
通常のRAGは質問と意味の近いテキスト断片を検索します。GraphRAGは文書からエンティティと関係を抽出して知識グラフを作り、関係する情報やまとまりの要約を検索に使います。
QGraphRAGは通常のRAGより常に優れますか？
いいえ。離れた情報を結ぶ質問や資料全体の主題を問う質問に強みがあります。一つの断片に答えがある質問では、通常のRAGでも必要な情報を取得できます。
QGraphRAGとAgentic RAGは同じですか？
同じではありません。GraphRAGは知識グラフを検索対象にする方法です。Agentic RAGは、質問の分解、検索、結果の評価、再検索などの判断をエージェントに担わせる構成です。
QGraph RAGは生成AIパスポートで問われますか？
2027年2月試験から適用される公式シラバスで、RAGの詳細キーワードにGraph RAGと知識グラフが追加されています。
次に見る比較
- G検定・DS検定・統計検定2級で重なる用語10語の比較
同じ名前の用語の定義と収録章を、資格ごとに並べます。
- ベイズの定理と条件付き確率の違い（統計検定2級の式と計算例）
求める確率の向きの違いと、陽性になる確率の計算例を確かめます。
- 紛らわしい用語ペア早見表
混同しやすい用語の違いと判定の手掛かりを、資格別の一覧で確かめます。
執筆: ミナト編集部（運営者情報を見る）