For the complete documentation index, see llms.txt. A Markdown version of this page is available by requesting this URL with the header "Accept: text/markdown".

Software Delivery Knowledge Graph

AIの強さは、その背後にあるコンテキストの強さに等しい

Harness Software Delivery Knowledge Graphは、デリバリー環境全体の構成要素と関係性を継続的に更新し、AIエージェントに提供します。これにより、自動化を推測ではなく実際の環境に即して実行できます。

24億+パイプライン実行数全顧客を合算
1,000+エンタープライズ顧客数全世界
リアルタイムコンテキスト同期40以上の連携先から
15+ドメインAIエージェント数グラフによって根拠付けられる
ナレッジソース

すでに使っているツールを接続

Knowledge Graphは連携を追加するたびに豊かになります。まずはGitとCI/CDから始め、ユースケースの拡大に応じてクラウド、テレメトリ、セキュリティ、コストデータを追加できます。

ファーストパーティ(Harness)
CIパイプラインCD & GitOpsFeature FlagsクラウドコストセキュリティテストカオスエンジニアリングIDPArtifact Registry
サードパーティ連携
GitHub / GitLabAWS / GCP / AzureKubernetesJiraPagerDutyDatadogGoogle Developer Connect
Google Cloud Technology Partner of the Year— DevOps 2026

Google Cloudとの連携を拡大

HarnessはGoogle CloudのDeveloper ConnectをSoftware Delivery Knowledge Graphに統合し、両社の共通顧客が両プラットフォームの関係性を継続的に更新されるビューで把握できるようにします。

発表内容を読む
この連携が提供するもの
グラフ内のGoogle Cloudからのデプロイイベントログ
ランタイムデータとアプリケーション依存関係情報
ソースファイルへの問題のトレースによる診断の高速化
両プラットフォームにわたるエンタープライズグレードのアクセス制御
Vertex AI上のHarness AI — Google Cloud Marketplaceで利用可能
アーキテクチャ

生データから運用上の推論へ

ツールとAIエージェントの間にあるセマンティックレイヤーが、生のイベントを、エージェントが活用できる構造化された関係性の情報に変換します。

データソース。

Git、CI/CD、K8s、クラウド課金、インシデント、ポリシー

Knowledge Graph。

エンティティ、関係性、正規化されたアイデンティティ、リアルタイム同期

セマンティックレイヤー。

ガバナンスされたクエリ、RBACフィルタリング、構造化・非構造化データの取得

AIエージェント。

Expert Agents(チャット + MCP)とWorker Agents(パイプラインステップ)

Expert Agents(チャットとMCP内)とWorker Agents(パイプライン内)の両方が同じKnowledge Graphを読み取ります。コンテキストはデプロイサイクルごとに積み重なっていきます。
AI支援からAI運用へ

支援することと運用することの違い

AI支援型のDevOpsは、コードの記述、パイプラインの生成、ログの要約を助けます。有用ですが浅いものです。AI運用型のDevOpsは、ソフトウェアがコミットから本番まで実際にどのように移動するかを理解します。制約、依存関係、ガバナンス、すべてを含めてです。この転換は、プラットフォームが自分自身を理解したときにのみ起こります。Knowledge Graphはそれを可能にするものです。

パイプライン生成。 AIは推測ではなく、組織の標準とガバナンスルールに沿ったパイプラインを生成します。

根本原因分析。 依存関係を最初から最後まで自動的にたどり、複数ツール間の情報を手動で突き合わせる必要をなくします。

安全なロールバック。 実行前にダウンストリームの依存関係グラフに対して検証されます。

コスト異常のトレース。 支出の急増が、それを引き起こした特定のデプロイ判断にまでトレースされます。

アイデンティティと正規化

1つのエンティティ。多くの名前。1つの真実。

同じサービスでも、Git、Kubernetes、CloudWatch、ランブックではそれぞれ異なる名前で呼ばれます。正規化なしでは、AIエージェントはそれらを結びつけることができません。Knowledge Graphは、ルールベースのマッチングとエイリアスサポートにより正規のサービスアイデンティティを定義し、複数のチームがグラフを煩雑にすることなく自分たちの命名規則を保てるようにします。

ルールベースのエンティティマッチング。 ファーストパーティのHarnessモジュールとサードパーティシステムの両方にわたって。

エイリアスサポート。 チームは自分たちの命名規則を維持し、グラフがシステム間の関連付けを処理します。

ドリフト防止。 サービスや命名が変化してもエンティティ定義の一貫性を保つ変更管理。

ユースケース

Knowledge Graphが可能にすること

なぜ失敗したのか、そしてどう対応すべきか

パイプラインが失敗したとき、Knowledge Graphはエージェントがビルドアーティファクト → デプロイ → 環境 → ポリシー → アクセス制御という依存関係チェーンをトラバースできるようにし、何が失敗したかだけでなく、なぜ失敗したかを数秒で回答します。専門家を呼び出す必要も、4つのツールを横断して関連付ける必要もありません。

パイプライン#4471が失敗 — エージェントが実行状態と関連エンティティをグラフに照会

変更差分を特定 — 前回の成功以降の新しいアーティファクトバージョン、ポリシー更新、アクセス取り消し

影響範囲をマッピング — このパイプラインの出力に依存するダウンストリームサービスを特定

修正案を提示 — 更新すべきTerraformモジュールやRBAC設定を使った的を絞った修復策

Knowledge Graph + RAG

なぜ Knowledge Graph+RAGがRAG単体を上回るのか

RAGは非構造化ドキュメント検索において強力です。Knowledge Graphはセマンティックな構造とマルチホップ推論を追加します。両方を組み合わせることで、どちらか単体では得られない価値を提供します。

RAGのみ

システムの理解を伴わないテキストの類似性

セマンティックな類似性に基づいてドキュメントを取得 — システム間の関係性は認識しない
エンティティ間(サービス → クラスタ → ポリシー)の依存関係チェーンをトラバースできない
古いドキュメントチャンク — ライブのデリバリーシステムからのリアルタイム同期がない
ガバナンスがない — 検索はRBACやポリシースコープを強制しない
得意な領域: ランブック、ドキュメント、ログの要約、自然言語クエリの検索
✓ 推奨 — Knowledge Graph + RAG

構造化された推論 + 非構造化データの広さ

グラフクエリがマルチホップの関係性をトラバース: パイプライン → サービス → 環境 → オーナー
Harnessおよびサードパーティシステムからのほぼリアルタイムの同期。コンテキストは現在の状態を反映します。
セマンティックレイヤーでRBACとOPAポリシーを適用 — エージェントは許可されたものだけを見られます
グラフ構造化された検索と、グラフノードに付随する非構造化コンテンツ用のRAGを組み合わせます
複利的なインテリジェンス — デプロイサイクルごとにグラフが豊かになり、将来のエージェントクエリに活かされます
よくある失敗

Knowledge Graphの取り組みが失敗する場所

3つの失敗パターンが組織を問わず繰り返されます。これらを避けられるかどうかが、30日で価値を提供するグラフになるか、技術的負債になるかの違いです。

過剰モデリング

何も解決する前にすべてをモデル化する

ユースケースを決める前に100ものエンティティをモデル化してしまうと、理論先行で誰にも使われないグラフになります。まずは実際の課題を1つ解決するのに必要な10のエンティティから始めましょう。

修正: まず1〜2のユースケースを選ぶ。必要なものだけをモデル化する。
モデリング不足

価値を生む関係性を見落とす

サービスをその所有チームや、デプロイを管理するポリシーに結びつけるといった重要な関係性をスキップすると、AIは浅く不正確な回答をするようになります。

修正: 拡張する前に、選択したユースケースの関係性をマッピングする。
古いコンテキスト

完璧にモデル化されたデータだが、1週間古い

障害発生時、チームは1ヶ月前の状態ではなく、今まさに何が原因で失敗しているかを知る必要があります。古いデータはデータがないのと同じくらい危険です。

修正: ほぼリアルタイムの同期はデリバリーワークフローにおいて譲れません。
成果の測定

ROIのないコンテキストは技術的負債

Knowledge Graphはノード数で測るものではありません。意思決定を改善するかどうかで測るものです。

回答品質

関連性と正確性を採点する別のLLMによって検証

人間による検証

コンテキストが手間を削減するか?想定せずにスコアで判断する

評価時系列

モデルバージョンとグラフの反復にわたってパフォーマンスを追跡

コスト効率性

意思決定を改善しないコンテキストはノイズです。トークンとコンピュートのコストを測定する

はじめる

AIエージェントに本物のデリバリーコンテキストを提供する準備はできていますか?

インパクトの大きいユースケースから始めましょう。10のエンティティをモデル化してください。拡大する前にROIを確認してください。