第 2 回: GUI vs CLI - 効率的な開発ワークフロー

実際のプロダクト開発で使い分けた経験に基づく実践ガイド

🎯 この章で学ぶこと

• Memgraph Lab と mgconsole のそれぞれの強みと適用場面
• 実際のプロジェクトでの効率的な使い分け戦略
• GUI→CLI→ 自動化への発展的ワークフロー
• 各ツールの隠れた機能と生産性向上のコツ

📖 実体験：ツール選択の重要性を学んだ瞬間

不正検知システムのプロジェクトで、私は当初、すべての作業を Memgraph Lab で行おうとしていました。視覚的でわかりやすく、クライアントへのデモにも最適だったからです。

しかし、プロジェクトが進むにつれて以下の問題に直面しました：

1. 繰り返し作業の非効率性: 同じクエリを何度も実行するのに GUI では時間がかかる
2. 自動化の困難: バッチ処理や CI パイプラインへの組み込みができない
3. 大量データでの応答性: ブラウザが重くなり、作業効率が低下

この経験から、**「適材適所のツール選択が、プロジェクト成功の鍵」**であることを学びました。

🖥️ Memgraph Lab (GUI)：ビジュアル探索の力

主要機能と実践的活用法

1. インタラクティブなグラフ探索

実際の使用場面: 新しいデータセットの理解

-- 全体のデータ構造を把握する初期クエリ
MATCH (n)
RETURN n
LIMIT 50;

Lab 固有の利点:

• ノードをダブルクリックして関連ノードを展開
• ドラッグ&ドロップでレイアウト調整
• ズーム・パンによる詳細確認

2. スキーマの自動生成と可視化

プロジェクトで最も重宝した機能の一つです：

使用手順:

1. Lab のサイドバーから「Schema」タブを選択
2. 「Generate Schema」をクリック
3. 自動生成されたスキーマ図を確認

実践的価値:

• クライアントへの説明資料として活用
• データモデルの妥当性検証
• 新メンバーへのオンボーディング材料

3. Graph Style Script (GSS) による視覚カスタマイズ

実際に使用した GSS の例:

/* ノードタイプごとの色分け */
node {
  size: 40;
  color: #d3d3d3;
}

node.User {
  color: #4caf50;
  icon: "👤";
}

node.Transaction {
  color: #ff9800;
  size: 30;
}

/* 金額に応じたエッジの太さ */
edge.TRANSFER {
  width: 2px;
  color: #2196f3;
}

edge.TRANSFER[amount > 10000] {
  width: 5px;
  color: #f44336;
}

4. GraphChat：自然言語から Cypher へ

実際の質問例:

• "Show me all users connected to suspicious transactions"
• "Find the shortest path between user A and user B"

生成された Cypher の確認と学習: GraphChat が生成したクエリを確認することで、Cypher の学習にも役立ちます。

Lab が最適な作業

作業タイプ	理由	具体例
初期データ探索	視覚的フィードバックが理解を加速	新しいデータセットの関係性把握
複雑クエリの開発	パスの可視化でデバッグが容易	多段階の関係性を持つクエリの作成
クライアントプレゼン	直感的でインパクトのある表現	分析結果の説明、データモデルの提示
GSS による見た目調整	リアルタイムプレビュー	業界・用途に応じたグラフの見せ方

⌨️ mgconsole (CLI)：効率性とスクリプタビリティ

基本的な接続と操作

# Docker環境でのmgconsole起動
docker exec -it memgraph-db mgconsole

# 接続確認
mgconsole> RETURN "Hello, Memgraph!" AS greeting;

非対話モード：自動化の基盤

パイプを使った実行:

# ファイルからクエリを実行
cat queries.cypher | docker exec -i memgraph-db mgconsole

# 単発クエリの実行
echo "MATCH (n:User) RETURN count(n);" | docker exec -i memgraph-db mgconsole

実際のプロジェクトでの活用例:

#!/bin/bash
# daily_analysis.sh - 日次分析レポート生成スクリプト

# データの整合性チェック
echo "MATCH (n) RETURN labels(n) AS label, count(n) AS count;" | \
  docker exec -i memgraph-db mgconsole > daily_counts.txt

# 異常検知クエリの実行
echo "CALL pagerank.get() YIELD node, rank
      WHERE rank > 0.1
      RETURN node.id, rank
      ORDER BY rank DESC;" | \
  docker exec -i memgraph-db mgconsole > suspicious_nodes.txt

mgconsole が最適な作業

作業タイプ	理由	具体例
バッチ処理	シェルスクリプトとの統合が容易	大量データの一括処理
CI/CD パイプライン	軽量で高速、スクリプト化しやすい	テストデータの投入・削除
定期的な分析	cron やタスクスケジューラとの連携	日次・週次レポートの自動生成
サーバー運用	SSH セッションで軽量動作	ログ確認、簡単な状態チェック

🔄 実践的ワークフロー：GUI→CLI→ 自動化

私のプロジェクトで確立した効率的なワークフローを紹介します：

Phase 1: 探索・理解（Lab 中心）

目標: データとビジネス要件の理解

作業内容:

1. サンプルデータでのスキーマ確認
2. 基本的なパターンマッチングクエリの試行
3. 可視化による仮説検証

成果物:

• 理解したデータモデル
• 検証済みのクエリパターン
• クライアント用の可視化設定（GSS）

Phase 2: 開発・最適化（Lab + CLI）

目標: 本格的なクエリ開発とパフォーマンス最適化

作業内容:

1. Lab で作成したクエリのコピー&ペースト
2. mgconsole での実行時間測定
3. 大量データでの動作確認

実際の例:

# Labで開発したクエリをmgconsoleで最適化
echo "EXPLAIN MATCH (u:User)-[r:TRANSFER]->(v:User)
       WHERE r.amount > 10000
       RETURN u.id, v.id, r.amount;" | \
  docker exec -i memgraph-db mgconsole

Phase 3: 自動化・運用（CLI 中心）

目標: 安定した運用基盤の構築

作業内容:

1. シェルスクリプト化
2. エラーハンドリングの実装
3. ログ出力とモニタリング

実際のスクリプト例:

#!/bin/bash
# fraud_detection.sh - 不正検知の自動実行

set -e  # エラー時の停止

LOG_FILE="/var/log/fraud_detection.log"
DATE=$(date '+%Y-%m-%d %H:%M:%S')

echo "[$DATE] Starting fraud detection..." >> $LOG_FILE

# メイン処理
RESULT=$(echo "
  CALL pagerank.get() YIELD node, rank
  WHERE rank > 0.15
  WITH node, rank
  MATCH (node)-[r:TRANSFER]-()
  WHERE r.amount > 50000
  RETURN node.id AS suspicious_user, rank, count(r) AS high_amount_transfers
  ORDER BY rank DESC;
" | docker exec -i memgraph-db mgconsole 2>&1)

if [ $? -eq 0 ]; then
    echo "[$DATE] Detection completed successfully" >> $LOG_FILE
    echo "$RESULT" | mail -s "Daily Fraud Detection Report" admin@company.com
else
    echo "[$DATE] Detection failed: $RESULT" >> $LOG_FILE
fi

🔧 生産性向上のコツ

Lab での効率化テクニック

1. クエリの履歴管理

• 重要なクエリはブックマーク機能で保存
• 定期実行するクエリは「Saved Queries」に登録

2. キーボードショートカット

• Ctrl + Enter: クエリ実行
• Ctrl + /: コメントアウト
• Ctrl + D: 行の複製

3. 結果の効率的な確認

• Table ViewとGraph Viewの使い分け
• エクスポート機能で CSV/JSON 形式での保存

mgconsole での効率化テクニック

1. 設定ファイルの活用

# ~/.mgconsole設定ファイル（存在する場合）
history_file=/tmp/mgconsole_history
username=default

2. 複数行クエリの実行

# ヒアドキュメントを使った複雑クエリ
docker exec -i memgraph-db mgconsole << 'EOF'
MATCH (u:User)
WHERE u.created_at > datetime() - duration({days: 7})
WITH u
MATCH (u)-[r:TRANSFER]->(v:User)
RETURN u.id, count(r) AS recent_activity
ORDER BY recent_activity DESC
LIMIT 10;
EOF

🔗 関連ツールとの連携

開発ツールチェーンとの統合

Version Control (Git):

# クエリファイルの管理
git add queries/
git commit -m "Add fraud detection queries"

# 設定ファイルのバージョン管理
git add docker-compose.yml memgraph.conf

Jupyter Notebook との連携:

import subprocess
import pandas as pd

def run_memgraph_query(query):
    cmd = f'echo "{query}" | docker exec -i memgraph-db mgconsole'
    result = subprocess.run(cmd, shell=True, capture_output=True, text=True)
    return result.stdout

# Cypherクエリの実行とDataFrameへの変換
query = "MATCH (n:User) RETURN n.id, n.name LIMIT 10;"
result = run_memgraph_query(query)
# パースしてpandas DataFrameに変換

次の章へ

ツールの使い分けをマスターしたら、第 3 回: CSV インポートで始めるグラフ構築で、実際のデータを使ったグラフ構築を学びましょう。

---

著者ノート: この章で紹介したワークフローは、実際に 3 つの異なるクライアントプロジェクトで検証し、開発効率を約 40%向上させることができた実証済みの手法です。特に GUI→CLI→ 自動化の段階的発展は、チーム全体の生産性向上に大きく貢献しました。