LLM Wikiでナレッジグラフのナレッジベースを作ってみた

2026/04/26 第9回ナレッジグラフ勉強会 LLM Wikiでナレッジグラフの ナレッジベースを作ってみた 長野 伸一（ナレッジグラフ若手の会） 1

LLM Wikiとは 元OpenAIのKarpathy氏が提唱した、AIエージェントを利用してナレッジベースを 自律的に構築・維持する手法 特徴 ● ● ● AIエージェントが資料などを読み込んでWikiとして構造化する 質問のたびに検索・要約することなく、整理されたナレッジを参照できる 質問すればするほど、AIエージェントによってナレッジが追加・修正される → ナレッジグラフ若手の会で進めている「スターターキット」（コミュニティの ナレッジ）の構築・維持に使えそう 2

LLM Wiki の構成 新しい資料から ナレッジを取り 込み 元資料 PDF等 Inject 有用な回答は新しい ナレッジとして保存 Wiki Markdown ファイル群 Query 古い情報、 孤立ページ、 矛盾をチェック Lint ファイル LLM 行動指針 ユーザ操作 claude.md等 AIエージェント claude code等 3

LLM Wiki の実行環境 利用したソフトウェア ● ● ● Claude Code pdftotext (Poppler) Obsidian フォルダ構成 claude.md # LLM Wiki ## Purpose ナレッジベース構築の目的 ## Folder Structure フォルダ構成 ## Ingest workflow 論文取り込みの手順 ## Page format Wikiページのフォーマット ## Citation rules ./ raw/ wiki/ claude.md 出典の記述ルール ## Question Answering 質問回答の手順 ## Lint 矛盾、孤立ページなどのチェック ## Rules 禁止事項など 4

RAG、GraphRAG との比較 RAG GraphRAG LLM Wiki 目的 関連箇所を検索し、回答を 生成 関係性を探索し、回答を生 成 知識をWikiに蓄積しつつ、 回答を生成 知識表現 チャンク＋ベクトル埋め込 み エンティティ＋関係（グラ フ） Markdwonテキスト 探索手段 ベクトル類似度検索 グラフ探索 エージェント型探索（検索 ＋本文＋リンク） 透明性 低（ベクトルは人間可読で ない） 中（グラフは参照可能だが 抽象化される） 高い（Markdownでそのまま 読める） 知識の寿命 揮発（検索のたびに生成） 揮発（検索のたびに生成） 永続（蓄積・複利） 導入コスト 低（インデックス構築） 高（グラフDB構築） 中（エージェント設計） 5

まとめ 試作を通じて得たこと ● ● ● 使うほどに自分の思考や関心に最適化され、「外部脳」として育っていく 数百ファイル規模なら、高精度なナレッジベースとして十分に機能する 自動更新にはハルシネーション混入のリスクがあり、人間によるレビュー・ 管理が必要 今後の展開 ● ● ● Markdownをリポジトリ管理し、履歴・ロールバックを運用に組み込む 論文検索APIへ接続して、論文の検索・推薦へ展開する Webアプリ化し、コミュニティ版ナレッジベースとして展開する 6