スティーブン・チン / Stephen Chin · 02:33 「Gartner が context graphs を AI hype cycle に正式追加した。 Foundation Capital は $3 兆ドルの起業機会と評価してる。 これは escape from the matrix や」
Stephen Chin の AI Engineer Europe 2026 講演は、 2026 年に Gartner が公式に 「AI hype cycle」 に追加した Context Graph という新カテゴリの輪郭を、 Neo4j という最大手 graph DB 企業の側から示した位置づけ宣言。 単なる技術紹介ではなく、 「LLM × knowledge graph」 が業界 consensus として AI 製品の差別化要因に昇格しつつある現状の確認になっている。
MEMEX 編集視点で重要なのは、 これが Sally-Ann Delucia (Arize) の Hierarchical Memory や Leonie Monigatti (Elastic) の Agentic Search for Context Engineering と同じ 「context management が AI 製品の核」 という業界 consensus を、 graph DB 側の interpretation で結晶化している点。 ネットワーク graph を core product に置く MEMEX 自身にとっても、 直接的に思想が重なる重要ノード。
「We are trapped, escape the matrix」 ── 問題定義
Stephen のフレーミング: 「我々はエンジニアとして trapped されてる。 AI コーディングツールを使ってるつもりが、 PR を agent にレビューされてる ── 制御してるのは我々やない、 ツールの方や」。 これは Karpathy 系の議論と通底する、 「control の主従が逆転しつつある」 認識。
解決の方向: 「red pill を選んで matrix から escape する」。 具体的には、 知識が Slack 会話、 enterprise system、 customer thread にバラバラに格納されてる現状から、 全部を context graph 上で connect する。 agent に business decision を委ねる前提なら、 これが必須インフラ。
Gartner と Foundation Capital の認定によって、 context graph は実験段階を抜けた。 「$3 兆ドル市場」 という Foundation Capital の評価は、 LLM 単独 + RAG 単独では到達できない 「grounded, complete information」 を提供する layer として、 context graph が必要不可欠であるという業界判断。
3 段階の retrieval ── medical use case で比較
Stephen が提示する concrete な比較。 「Andreyi Jenka の emphysema の care plan は?」 という query に対し:
- (1) Baseline LLM ── emphysema の一般知識から 「肺の damage 防止」 等の generic な答え
- (2) RAG (vector search) ── 患者 context が一部入り、 「respiratory therapy、 deep breathing exercise」 まで具体化
- (3) Context Graph ── 「medication management、 smoking cessation counseling、 pulmonary rehabilitation」 ── 患者の 喫煙歴と過去手術歴 まで踏まえた specific な答え
RAG では 「背景情報」 が similarity search で flat 化されて落ちる。 Graph なら relationships を first-class で保持するので、 「この患者 → 過去診断 → 過去手術 → 喫煙歴」 という multi-hop が保たれる。 これが production agent の信頼性で 決定的な差 を生む。
Memory 3 層を Knowledge Graph で統合
Context Graph の核は agent memory を 3 層で管理する設計:
| 層 | 役割 | 具体例 |
|---|---|---|
| Short-term memory | 現在の execution context、 conversation 状態 | 直近の tool call 結果、 進行中の plan |
| Long-term memory | domain model、 entities、 過去 interactions | 顧客 / 製品 / 過去の意思決定の history |
| Reasoning trace | 「なぜそう決めたか」 の決定根拠 | compliance audit、 debug、 学習素材 |
Reasoning trace の重要性 ── LLM は 通常 「結果のみ」 を返すが、 graph に reasoning を蓄積すると 「過去の類似決定を引いて、 改良された future decision」 が回り始める。 これは Anthropic の alignment 議論 で何度も出てくる 「decisions の provenance を持つ AI」 という要件にも直結する。
実装は Neo4j Agent Memory Package (open source、 GitHub)。 ACID-compliant な永続化、 short / long / reasoning memory の API、 graph traversal を agent から呼びやすい形で提供。
2 つの実装 demo
Demo 1: Lenny Memory Podcast (open source) ── Lenny Rachitsky の podcast 全エピソードを knowledge graph に変換、 agent が tool 経由で graph を query して 「episode に出てきた locations」 を地図に visualize、 「特定トピック」 で連結 episode を辿る、 等の操作を実演。 podcast という時系列 + 多話者 + 概念連鎖の dense な情報源を 「navigable な構造」 に変える例。
Demo 2: 金融サービス Context Graph アプリ ── ローン審査ユースケース。 entities (個人 / 組織) + events (意思決定 / 取引 / 承認) + context (適用ポリシー / リスク要因 / 過去の reasoning) を graph に格納。 10 MCP tools 経由で support ticket system、 CRM、 internal business data を統合。 「Jessica Norris の融資承認?」 と質問すると、 agent は graph を walk して 「過去の rejection」 「margin trades の relationship」 を発見し、 具体的な reasoning + risk factor + 過去類似ケース 付きで判断を返す。 「監査可能 / 説明可能」 が graph 構造によって自然に得られる。
編集所見 ── Context Graph が MEMEX に意味すること
この講演を MEMEX で取り上げる視点は 3 つ。
(1) MEMEX 自身の方法論と直接的に重なる。 MEMEX のネットワーク graph は AI 領域の人物 / 企業 / イベントを node、 関係を edge として表現し、 そこに記事を fuel として供給する設計。 これは Stephen が示す 「entity + relationship + reasoning trace」 の 3 層構造と一致する。 つまり MEMEX は 「AI ジャーナリズム界の context graph」 として位置づけ直せる。
(2) RAG の終焉と graph + LLM の標準化。 2025 年中ごろまでは 「RAG で十分」 という空気があったが、 2026 年に入って Sally-Ann (Arize)、 Leonie (Elastic)、 そして Stephen (Neo4j) という観測側 / 検索側 / DB 側の 3 つの視点が同時に 「context が flat やと壊れる、 graph 構造が必要」 と収斂してる。 これは業界の technical inflection point。 Sally-Ann の Hierarchical Memory 議論との合流点として読むべき。
(3) Enterprise の 「監査可能 AI」 への直接解。 Anthropic Glasswing の safety 議論、 日本 3 メガバンクの Claude 採用 等で繰り返し出てくる 「なぜそう判断したか説明できる AI」 要件は、 context graph 構造によって自然に満たされる。 これは EU AI Act、 日本の AI ガイドライン、 米 NIST CSF 等の規制要件に直接対応する。
動画の構成
- (00:00) 自己紹介、 Neo4j DevRel
- (01:30) 「We are trapped」 ── matrix の比喩
- (02:33) Gartner 認定 + Foundation Capital $3 兆ドル評価
- (03:20) Knowledge graph の基本構造 (nodes + relationships + embeddings)
- (04:30) LLM と graph の相補性 (language + knowledge)
- (05:30) Medical use case で 3 段階 retrieval を比較
- (08:00) Memory 3 層 (short / long / reasoning) の説明
- (10:00) Neo4j Agent Memory Package の紹介
- (10:30) Demo 1: Lenny Memory Podcast
- (12:30) Context Graph アプリの定義
- (13:00) Demo 2: 金融サービス融資審査
- (16:30) Graph Academy + 無料教材の案内
- (17:00) 締め、 「escape the matrix」