RAG進化の最前線——清華大学Hyper-RAGが幻覚48%減、VLDB2026採択のQA-GraphRAGはクエリ適応検索を実現

GraphRAGの高度化と知識ポイズニング対策が並行進化、企業では「RAGからContext Engineeringへ」の議論も

清華大学らのHyper-RAGは超図構造により知識欠落60%減・幻覚48%減を実証。VLDB2026採択のQA-GraphRAGはクエリの粒度に応じて検索階層を自動選択する手法で、5つの主要GraphRAGフレームワークの性能を向上させた。さらに知識ポイズニング攻撃への防御研究も進み、企業では「RAGからContext Engineeringへ」という語義層論争も進行中。

DACon北京站大会启动：语义层、上下文工程、Agentic RAG、数据工程等技术全覆盖-品玩 — 出典: 品玩

単純検索から「もう一段上」へ進化するRAG

検索拡張生成（RAG）は、大規模言語モデルが学習していない社内文書や最新情報を検索して回答に反映させる技術として2023年以降広く普及した。だが2026年に入り、その中身は大きく変わりつつある。単にベクトル検索でチャンクを引き当てるだけの「素朴なRAG」から、グラフ構造や超図構造で知識の関連性を保持する手法、検索対象を汚染する攻撃への防御、さらには検索そのものを問い直す「Context Engineering」への拡張まで、技術的な広がりが一気に進んだ。

VLDB 2026 | QA-GraphRAG：面向图检索增强生成的查询自适应即插即用检索框架 - 智源社区 — 出典: hub.baai.ac.cn

清華大学のHyper-RAG、幻覚を48%削減

最も具体的な成果を示したのが、清華大学が西安交通大学・上海大学・北京理工大学と共同で開発した「Hyper-RAG」だ。清華大学ソフトウェア学院の高跃・長聘副教授によれば、超図（ハイパーグラフ）駆動の検索増強生成手法により、環境治理・エネルギー・医療・法律・金融といった専門領域の知識ベースを全尺度で網羅する知識超図を構築し、重要知識の欠落を60%、大規模言語モデルの幻覚を48%削減したという。従来のRAGおよび既存のグラフRAG手法は、実体同士の1対1の関係表現に限定されており、複数実体が同時に関与する高次の複雑な関連性を捉えられず、構造化の過程で重要な知識が弱まったり失われたりする問題があった。中国能源報の報道によると、この成果は国際学術誌Nature Communicationsに掲載され、すでに複数分野で実証されている。

VLDB2026採択のQA-GraphRAG、クエリごとに検索階層を自動選択

もう一つの注目は、データベース分野の国際会議VLDB2026に採択された「QA-GraphRAG」だ。智源社区の解説によれば、この手法は事前学習済みのMLPルーターが、入力されたクエリの埋め込みに基づいて、検索を開始すべき知識階層をほぼ計算コストなしに即座に予測する。局所的な詳細を問う質問には下位階層から、全体像を問う質問には上位の抽象的な要約から検索を始めることで、不要な上位要約の探索や下位層の冗長検索を回避する仕組みだ。バックボーンLLMにQwen2.5-7B-Instructを用い、GraphRAG、RAPTOR、LightRAG、TREX、HiRAGという主要な5つのグラフRAGフレームワークに組み込んで検証したところ、いずれも統合前より性能が向上した。特にMuSiQueデータセットでは、検索戦略が固定的なためBM25にも劣っていた従来のGraphRAGが、QA-GraphRAG統合後には従来手法を大幅に上回り、伝統的な検索手法も超えたという。

「RAGからContext Engineeringへ」——企業AIの語義層論争

2026年10月に北京で開催予定のカンファレンス「DACon」の企画趣旨では、企業AIの競争優位は「モデルそのもの」ではなく「データ・語義・コンテキスト・知識・組織が一体となった基盤」にあると位置づけられている。品玩の報道では、Semantic Layer Summit 2026が「LLMはコモディティであり、ビジネスコンテキストこそが護城河だ」と明言したことが紹介され、DatabricksやGartnerも語義層・AIガバナンス・Agentic Workflowを企業級AIの主要議題に挙げているという。議題には「RAGからContext Engineeringへの範式転換」「百万トークン級の長文コンテキストと検索のどちらを選ぶか」「Agentic RAGとDeep Search」などが並び、RAGは単体技術から企業のコンテキスト管理戦略全体の一部として再定義されつつある。

知識ポイズニング攻撃という新たな脅威

一方でRAGの普及は新たな攻撃対象も生んでいる。AIセキュリティポータルの解説によれば、RAGが検索するコーパスに偽情報を混入させ、LLMの生成結果を攻撃者の意図する方向に誘導する「知識ポイズニング」が、間接プロンプトインジェクションと並ぶ主要な攻撃手法として認識されている。OWASP Foundationが公開したRAG Security Cheat Sheetでは、これを「悪意あるコンテンツを検索コーパスへ注入し、検索・コンテキストウィンドウへの取り込みを通じて動作に影響を及ぼす攻撃」と定義する。防御側では2026年に入り、Sparse Attentionを用いたコーパス知識ポイズニング対策や、情報フロー制御でRAGを守る「Cordon-MAS」といった手法が相次いで提案されており、精度向上と並行して安全性の研究も加速している。

企業導入の壁とプラットフォームの対応

技術面の進化とは裏腹に、実際の企業導入には別の課題も残る。システムサポートの解説記事によれば、経営層の47%が「データ準備が最大の課題」と認識しており、モデル自体を追加学習せずに文書の更新をインデックスへ反映できるというRAGの利点だけでは、成功が保証されないと指摘されている。Microsoft Learnの解説も、データパイプライン・検索チェーン・評価監視・ガバナンスという4段階すべてを整備しなければ、品質・コスト・待機時間の要件を満たせないとしており、GraphRAGや幻覚対策の高度化が進む一方で、基礎的なデータ整備とガバナンスの重要性は変わっていない。