目次を表示する

オントロジー入門 2026 ─ 哲学・Palantir・GraphRAG までの全体像

AIエージェントとオントロジー ─ Memory・Tool・World Model

第8章: AIエージェントとオントロジーの接続 ─ Memory・Tool・World Model

Agent の3接続点 Memory/Tool/World Model と LLM抽出5課題

第7章で GraphRAG を扱った。本章ではより広く、AIエージェントとオントロジーの3つの接続点を整理する。Memory（記憶）/ Tool（道具）/ World Model（世界モデル） ─ いずれもオントロジーが「LLM の確率性に決定的構造を与える」役割を担う。

3つの接続点

graph TB
    Agent[AI Agent / LLM]
    Agent --> M[Memory<br/>過去の事実・会話]
    Agent --> T[Tool<br/>外部アクション]
    Agent --> W[World Model<br/>世界の構造]
    M --> MO[Letta / Mem0g<br/>Zep & Graphiti]
    T --> TO[MCP / Function Calling]
    W --> WO[KG / Ontology / JEPA]
    style M fill:#1a2030,stroke:#4cc9f0
    style T fill:#1a2030,stroke:#b794f4
    style W fill:#1a2030,stroke:#ff4d6d

順に見ていく。

1. Memory ─ エージェントの記憶を構造化する

LLM 単体はステートレス。長期的な対話やプロジェクトでは、過去の事実を記憶として保持する仕組みが必要。

Letta（旧 MemGPT）─ OS 風の3層メモリ

Letta は、OS のメモリ階層をエージェントに持ち込んだ：

graph TB
    A[Agent]
    A --> Core[Core Memory<br/>常に context に載る<br/>ペルソナ・人物像]
    A --> Recall[Recall Memory<br/>会話履歴]
    A --> Arch[Archival Memory<br/>長期保存]
    Core --> Self[エージェント自身が編集]
    style Core fill:#1a2030,stroke:#ff4d6d
    style Recall fill:#1a2030,stroke:#b794f4
    style Arch fill:#1a2030,stroke:#4cc9f0

**重要なのは「エージェント自身がメモリを編集する」**設計。Tool として core_memory_replace のような操作が用意されている。

Mem0 / Mem0g ─ ベクトル + KG ハイブリッド

Mem0 はベクトルベースだが、**Mem0g（ECAI 2025、arXiv:2504.19413）**でグラフ拡張。

ベンチ結果
LLM-as-a-Judge（OpenAI 比）+26%
Mem0g（グラフ版）追加改善+2%

「ベクトルだけでは関係性が薄れる、KG を追加すると改善する」というデータ。

★ Zep / Graphiti ─ 時間軸を持つ知識グラフ

最も興味深いのが Zep / Graphiti（arXiv:2501.13956、KGC 2025）。

graph TB
    Conv[会話・観測]
    Conv --> Episode[Episodic Layer<br/>時系列イベント]
    Episode --> Semantic[Semantic Layer<br/>抽出された事実]
    Semantic --> Comm[Community Layer<br/>関連事実の集合]
    Episode --> TS["事実の有効期間 (valid_from / valid_until)"]
    Semantic --> TS
    style Episode fill:#1a2030,stroke:#ff4d6d
    style Semantic fill:#1a2030,stroke:#b794f4
    style Comm fill:#1a2030,stroke:#4cc9f0

3階層 + 時間軸の設計：

層内容
Episodic時系列に並んだ会話・観測のイベント
Semanticそこから抽出された事実（“John lives in Tokyo”）
Community関連する事実のクラスター

事実の有効期間：「John が Tokyo に住んでいる」は 2025-01-01 〜 2025-12-31 まで真、その後は別の場所、と時間軸付きで保持できる。

ベンチ結果

ベンチLetta（MemGPT）Zep改善
DMR93.4%94.8%+1.4 ポイント
LongMemEval（精度）─+18.5%
LongMemEval（レイテンシ）─-90%

時間軸を持つことで「最新情報を優先する」「古くなった事実を破棄する」が自然にできるのが大きい。

Memory-as-Ontology という新理論枠組み

2025 年後半に「Memory-as-Ontology」という議論が登場。「Mem0 や Letta は predecessor instance や identity の構造的プロトコルを欠く」との批判。「私」「あの会話で出てきた『私』」「過去の自分」といった同一性を構造化する必要があるという話 ─ これは哲学の存在論にも近づく。

2. Tool ─ オントロジー経由でアクションを取る

第4章で見た Palantir AIP / OMCP（2025-07）の発想は、外部システム全般に広がっている。

MCP（Model Context Protocol）の進化

MCP は 2024 年に Anthropic が提唱、2025-11 の仕様改訂で「セキュアで long-running な governed workflow」方向へ拡張。

graph LR
    Agent[AI Agent]
    Agent -->|MCP Tool Call| MCP[MCP Server]
    MCP --> O[(Ontology)]
    O --> O1[Object Type]
    O --> O2[Function]
    O --> O3[Action Type]
    style MCP fill:#1a2030,stroke:#b794f4
    style O fill:#1a2030,stroke:#4cc9f0

**「MCP サーバの背後にオントロジーを置く」**設計が広がっている：

MCP 実装オントロジー連携
Palantir OMCP（2025-07）Foundry Ontology の Object/Action/Function を MCP tool として公開
Cube AI API + MCPSemantic Layer の measure/dimension を MCP tool に
Neo4j Data Modeling MCP ServerProperty Graph schema を MCP 経由
dbt Semantic Layer MCPdbt SL の metric を MCP 経由

「LLM が直接データベースを叩く」のではなく「LLM がオントロジーで定義された tool を呼ぶ」設計。これにより：

  • ガバナンス：オントロジー側で権限・監査を制御
  • 正確性：「Revenue とは何か」が一意に決まる
  • 保守性：データソースが変わっても tool I/F は不変

3. World Model ─ オントロジーが LLM の世界モデルになる

最も理論的だが、最も野心的な接続点。「LLM の世界モデル」としてオントロジーが機能するという発想。

Yann LeCun の JEPA / World Model 論

LeCun（Meta Chief AI Scientist、Turing Award）は JEPA（Joint Embedding Predictive Architecture） を提唱：

主張内容
「LLM は5年で陳腐化する」（2025-10-27 発言）LLM は世界モデルを持たない
AGI には堅牢な推論・長期計画・物理世界理解が必要
その鍵世界の構造を抽象表現で持つ World Model
進展V-JEPA2（2025-06）、LeJEPA（arXiv:2511.08544、2025-11）

LeCun 自身は「オントロジー」とは言わない。だが**「世界の構造を抽象表現で持つ」**という主張は、オントロジーの哲学と重なる。コミュニティではこの接続点が議論されている。

Palantir の “Ontology = LLM の世界モデル”

第4-5章で見た Palantir の主張は、まさにこれを具現化している：

graph TB
    LLM[LLM]
    LLM -->|質問| O[Ontology]
    O -->|構造化された世界| LLM
    LLM -->|アクション| O
    O -->|現実世界へ書き戻し| Real[Real World]
    style O fill:#1a2030,stroke:#b794f4
    style Real fill:#1a2030,stroke:#ff4d6d

「Ontology が組織の World Model」という Palantir のフレーミングは、LeCun の理論とは独立に、エンタープライズ実装として世界モデル仮説を実証しているとも言える。

★ LLM 抽出パイプラインの 5 つの品質課題

第7章で予告した、LLM が KG を自動構築するときの落とし穴を整理する。

mindmap
  root((LLM 抽出<br/>5 つの課題))
    1. Hallucinated Edges
      1.5-1.9% の幻覚率
      存在しない関係を生成
    2. Entity Duplication
      Apple と apple が別ノード
      固有表記の揺れ
    3. Incomplete Extraction
      重要関係を見落とす
      コンテキスト窓の限界
    4. Schema Drift
      時系列で意味が変わる
      LLM バージョン更新で結果変化
    5. Domain Mismatch
      汎用 LLM がドメイン用語を誤解
      医学・法律で顕著
#課題対策
1Hallucinated Edges抽出後に元テキストとの照合検証、信頼度スコア付与
2Entity Duplicationエンティティリンキング（normalization、canonicalization）
3Incomplete Extractionチャンク粒度の最適化、多段抽出
4Schema Driftスキーマバージョン管理、定期的な再構築、AdaKGC のような連続適応
5Domain Mismatchドメイン特化 LLM の使用、専門家レビュー、用語集の併用

★ 再現性問題：LLM のバージョン更新で約1/4のケースで抽出結果が変わるとの報告。これは「LLM 抽出パイプラインの CI」を必要とする。

Text-to-Graph ─ LLM でオントロジーを生成する

LLM でスキーマレス KGを作る研究も進んでいる：

手法特徴
EDC（Extract-Define-Canonicalize、EMNLP 2024）3段階で正規化
AutoSchemaKG（arXiv:2505.23628）自動スキーマ生成
OntogeniaMetacognitive Prompting + Ontology Design Patterns

Top-down（既存スキーマを LLM に教える）と Bottom-up（生抽出 → クラスタリングで抽象化）の2系統が併存。

ただし**「LLM だけで完全自動」は不可能**。半自動 + 人間レビューが現実解。

Agentic Knowledge Graph ─ 自己進化する KG

最先端では「エージェントが自分で KG を作り変える」研究も進む：

研究内容
Agentic Deep Graph Reasoning（arXiv:2502.13025）LLM がノード・エッジを反復生成、数百反復で saturate せず分散度が増加
Agentic-KGR（arXiv:2510.09156）マルチエージェント強化学習で LLM と KG の共進化
SEAL（arXiv:2512.04868）会話型 KG-QA の self-evolving 学習

「KG が静的なスキーマ」だった時代が終わり、「動的に進化するスキーマ」の時代へ。実用化はまだ研究フェーズだが、3-5年でメインストリームになる可能性。

エージェント時代の設計指針

第7章までと本章を踏まえて、LLM Agent 時代のオントロジー設計の指針：

graph TB
    Start[新規システム設計]
    Start --> Q1{エージェントは長期記憶を持つか?}
    Q1 -- Yes --> M[Memory: Letta / Mem0g / Zep]
    Q1 -- No --> Q2
    M --> Q2{外部アクションを取るか?}
    Q2 -- Yes --> T[Tool: MCP + Ontology Schema]
    Q2 -- No --> Q3
    T --> Q3{ドメインに既存 KG はあるか?}
    Q3 -- Yes --> KG1[既存 KG を再利用<br/>SNOMED/FIBO/Schema.org]
    Q3 -- No --> Q4{新規構築 or LLM 抽出?}
    Q4 -- 新規 --> Manual[手動 + LLM 補助]
    Q4 -- LLM --> AutoEval[LazyGraphRAG + 評価 CI]
    style M fill:#1a2030,stroke:#4cc9f0
    style T fill:#1a2030,stroke:#b794f4
    style KG1 fill:#1a2030,stroke:#ff4d6d

段階的アプローチ：

  1. 軽量ベクトル RAG から始める（PoC）
  2. 特定領域だけ KG 化（多ホップが必要な部分）
  3. MCP でツール公開（外部 Agent 連携）
  4. 観測と継続的検証（LLM 抽出 5課題への対策）

LazyGraphRAG の登場で「最初からフルパイプライン構築」の必要性が下がった。「軽量 → 効果検証 → 必要部分だけ KG 化」が 2026 年の現実解。

国内外の事例（LLM × KG）

ドメイン事例
金融Bloomberg は FIBO 主要コントリビューター、FinKario など FIBO ベース KG 再構築
医療Mayo Clinic Care Pathway + LLaMA 2 RAG / AMG-RAG（arXiv:2502.13010、73.92% 精度）/ 医療 RAG の 25% が KG 拡張型
NASALangley + JHU-APL、カテゴリ理論 + オントロジー融合
製薬Pfizer（2025-03 Data4Cure 多年契約）/ Sanofi（OpenAI + Formation Bio で AI 創薬）
国内：富士通GENIAC 採択、KG 生成・推論特化 LLM “Takane”（2025-09）、Knowledge Graph Extended RAG（参照可能トークン量 100万 → 1000万）
国内：NEC列意味推定自動化（30日 → 1時間）、cotomi LLM、調達交渉 AI（80秒で合意率 95%）

富士通 Takane は「KG 生成・推論特化」を明示した珍しい LLM。日本企業がこの領域で世界的に存在感を出している。

本章の要点

#要点
1エージェントとオントロジーの接続点は Memory / Tool / World Model の3つ
2Memory：Letta（OS 風3層）/ Mem0g（ベクトル + KG）/ Zep & Graphiti（時間軸付き KG）
3Zep は LongMemEval で +18.5% 精度・-90% レイテンシ。時間軸を持つことで最新情報を優先しやすい
4Tool：MCP の背後にオントロジーを置く設計が標準化（Palantir OMCP / Cube / Neo4j MCP / dbt SL MCP）
5World Model：LeCun JEPA とオントロジーは独立だが重なる主張。Palantir の “Ontology = 組織の World Model” がエンタープライズ実装
6LLM 抽出 5 課題：Hallucinated Edges / Duplication / Incomplete / Schema Drift / Domain Mismatch。LLM バージョン更新で約1/4のケースで結果変化
7Agentic Knowledge Graph：エージェントが KG を自己進化させる研究が進行中（Agentic-KGR、SEAL）
82026 年の現実解は「軽量ベクトル RAG → 特定領域だけ KG 化 → MCP でツール公開 → 継続検証」の段階的アプローチ
9国内では富士通 Takane（2025-09）が KG 生成・推論特化 LLM として世界的存在感

効いている根本原理

本章は 原理4（LLM 時代の橋渡し） が中心。Memory/Tool/World Model のすべてで、オントロジーが「LLM の確率性に決定的構造を与える中間層」として機能している。原理1（共通言語） は Memory と Tool で、原理2（Semantic vs Kinetic） は MCP の Tool 設計で、原理3（構造 → 推論） は World Model 議論で再登場した。

ここまでで第3部「LLM 時代のオントロジー」は完了。次の第9章で 実践 ─ 設計のアンチパターンとツール選定 を扱い、最後に第10章で4原理を回収する。