GraphRAG

GraphRAG (Graph Retrieval-Augmented Generation) — архитектурный подход, расширяющий классический RAG заменой или дополнением векторного ретривера структурированным графом знаний. В стандартном RAG запрос пользователя преобразуется в вектор, по которому ищутся ближайшие текстовые чанки; GraphRAG строит граф, где узлы — именованные сущности (люди, организации, концепции), а рёбра — отношения между ними, и использует топологию этого графа при поиске релевантного контекста.

Типовой пайплайн GraphRAG включает несколько этапов. На стадии индексирования LLM или NER-модели извлекают из корпуса сущности и отношения; граф сохраняется в Neo4j, ArangoDB или специализированных хранилищах; опционально применяется суммаризация общин методом Leiden-кластеризации для формирования высокоуровневых тематических узлов. На стадии запроса входной вопрос разбирается на сущности, граф обходится для нахождения связанных узлов и рёбер, результаты объединяются с векторным поиском и передаются LLM в качестве контекста. Microsoft Research опубликовала эталонную реализацию GraphRAG в 2024 году и выпустила её как открытый проект на GitHub.

Классический RAG плохо справляется с многошаговыми вопросами, требующими нескольких «прыжков» по связям между сущностями, например: «Кто из коллег автора X работал над проектами, связанными с темой Y?». GraphRAG значительно улучшает качество ответов на такие запросы — особенно применительно к корпоративным базам знаний, юридическим документам и медицинским данным с чётко определённой онтологией. По данным Microsoft, GraphRAG превосходит наивный RAG на комплексных аналитических вопросах типа «глобальный синтез по корпусу» на 20–40%.

К 2026 году GraphRAG из исследовательской концепции превратился в практический инструмент: Azure AI Search предлагает его как встроенную функцию, Neo4j выпустил GraphRAG Toolkit, ряд стартапов (Diffbot, FalkorDB, Kùzu) строит продукты на его основе. Главным ограничением остаётся стоимость индексирования: построение графа из большого корпуса требует многочисленных вызовов LLM для извлечения отношений, что дорого при масштабе в миллионы документов. Гибридные подходы, сочетающие векторный и граф-ретривер, становятся стандартом для production-систем.

Пример

“Фармацевтическая компания строит граф знаний из 50 000 патентов, связывая молекулы, показания и авторов; GraphRAG позволяет находить скрытые связи между соединениями, которые классический векторный поиск пропускает из-за отсутствия семантической близости в отдельных текстовых чанках.