Словарь ИИ

Что такое GraphRAG

Коротко

GraphRAG это вариант RAG, в котором ИИ сначала строит по документам граф знаний о людях, компаниях и связях между ними, а потом отвечает по этому графу и сводкам к нему.

Поиск и RAG · GraphRAG

Михаил МозгПроверено: 16 октября 20261 минута чтения

Ребенку

Представь доску в классе, где ты рисуешь всех героев сказки кружками и соединяешь их стрелками: кто чей друг, кто где живет. Потом учитель спрашивает: «О чем вся сказка?». Ты смотришь на доску и сразу видишь всю картину, а не одну страницу. GraphRAG помогает компьютеру нарисовать такую доску по множеству книг.

Простыми словами

Обычный RAG находит несколько похожих кусков текста и отвечает по ним. На вопрос «какие главные темы во всех отчетах за год» так не ответить: ответ разбросан по сотням документов. GraphRAG заранее читает весь архив и выписывает участников и связи: кто с кем работал, какой проект к какому клиенту относится. Получается граф. Потом система делит его на группы тесно связанных объектов и пишет по каждой короткую сводку. На общий вопрос ответ собирается из этих сводок.

Для бизнеса

Графовый подход полезен, когда руководителю нужен ответ по всему массиву документов: обзор жалоб клиентов за квартал, связи между подрядчиками и договорами, риски по портфелю проектов. Главная статья расходов здесь индексация: модель читает каждый документ и строит граф еще до первого вопроса, а это много вызовов и токенов. При частом обновлении архива граф пересобирают, это тоже деньги. Риск в качестве извлечения: если модель неверно связала сущности, ошибка попадет во все сводки. На точечный вопрос вроде «какой срок оплаты в договоре с поставщиком» обычный поиск ответит дешевле. Схему выбирают после сравнения обеих на ваших документах.

Для специалиста

GraphRAG предложен в работе Edge и др. (Microsoft, 2024) для глобальных вопросов ко всему корпусу, с которыми обычный RAG не справляется. Авторы относят такие вопросы к суммаризации по запросу (query-focused summarization, QFS), а не к извлечению. Индекс строится в две стадии. Сначала LLM извлекает из фрагментов сущности и связи и собирает граф знаний сущностей (entity knowledge graph). Затем граф рекурсивно делится на сообщества алгоритмом Leiden, и для каждого сообщества заранее пишется сводка. На глобальный вопрос каждая сводка дает частичный ответ, а частичные ответы сводятся в итоговый по схеме map-reduce. Длинные фрагменты снижают число вызовов модели и цену индексации, но сущности из начала фрагмента извлекаются хуже. В документации Microsoft описаны режимы Global Search, Local Search (сущность и ее соседи в графе), DRIFT Search и Basic Search, то есть обычный векторный top-k.

Пример

Отдел качества загружает тысячи обращений клиентов за год и спрашивает, какие темы жалоб растут. GraphRAG отвечает по сводкам групп связанных проблем, а не по трем случайным письмам.

Связанные термины

Вопросы и ответы

Что такое графовый RAG?

Это то же, что GraphRAG: схема, где по документам заранее строят граф связей и сводки по группам тем. Она отвечает на вопросы о корпусе целиком, например «о чем все эти отчеты».

Чем GraphRAG дороже обычного RAG?

Модель читает все документы на этапе индексации, чтобы извлечь сущности и написать сводки. Обычному RAG для индекса нужны только эмбеддинги фрагментов, это намного дешевле.

Источники

Где это применяют в компании

ИИ-ассистент, который отвечает по документам компании

Не уверены, нужно ли это вашей компании?

Карта ИИ-решений