GraphRAG — Knowledge Graph + RAG

Короткая версия

GraphRAG особенно нужен, когда users спрашивают:

• “какие главные темы в корпусе?”;
• “как связаны X и Y?”;
• “какие общие тренды или clusters есть в документах?”;
• “дай обзор по большому набору материалов”.

Из чего он состоит

Вопрос: «Какие основные темы и конфликтующие позиции видны в отчётах и встречах проектной команды за год?»

Когда не нужен

• короткая база знаний;
• одношаговые factual queries;
• простые FAQ и product docs;
• кейсы, где нужен максимум speed и минимум indexing cost.

1. Какую проблему решает GraphRAG

Vector RAG хорошо отвечает на локальные factual questions:

• где находится настройка;
• какой лимит указан в policy;
• какой параметр нужен в API.

Но он слабее на вопросах, где answer должен родиться из широкого синтеза:

• обзор всего корпуса;
• главные темы;
• relationship-heavy reasoning;
• connection discovery between entities and events.

Именно здесь graph-oriented retrieval даёт другой тип сигнала, чем обычный similarity search.

2. Индексация в GraphRAG дороже, но строит richer retrieval surface

Типовой pipeline выглядит так:

1. документы режутся на chunks;
2. LLM извлекает entities and relationships;
3. строится graph;
4. communities выделяются алгоритмически;
5. для communities генерируются reports / summaries;
6. всё это становится queryable retrieval layer.

То есть индексация тут не просто “создать embeddings”, а построить структурированную карту корпуса.

3. Почему community summaries так важны

Ключевая идея GraphRAG в том, что large corpus questions редко решаются одним passage retrieval.

Community summaries позволяют:

• сжать большую тему до управляемого summary layer;
• отвечать на глобальные вопросы без просмотра сотен чанков;
• делать hierarchical retrieval: от overview к деталям.

Это и есть одна из главных причин, почему GraphRAG лучше работает на global questions, чем plain vector search.

4. Query modes важнее самого слова “graph”

В Microsoft GraphRAG особенно полезно различать режимы:

Global search

Использует community summaries для обзорных вопросов.

Хорошо подходит для:

• “какие основные темы?”
• “что происходит в целом?”
• “какие направления выделяются?”

Local search

Больше опирается на сущности, отношения и близкие neighborhoods.

Хорошо подходит для:

• вопросы про конкретную сущность;
• “что известно о X?”;
• “с кем или чем связан Y?”

DRIFT search

Гибридный режим, который сочетает global orientation и локальное углубление.

Практически это полезно, когда вопрос одновременно:

• требует обзор;
• но затем уходит в конкретные связи и детали.

5. GraphRAG не равен “любой graph database”

Нужно различать три вещи:

• обычный knowledge graph / graph DB;
• graph-powered QA over structured graph;
• Microsoft-style GraphRAG, где граф и summaries строятся из неструктурированного текста.

GraphRAG интересен именно как LLM-driven graph extraction + retrieval layer, а не просто как факт наличия Neo4j в архитектуре.

6. Где GraphRAG реально оправдан

Наиболее полезен для:

• strategy / research corpora;
• meeting notes and reports;
• policy and governance document sets;
• investigative and due-diligence workloads;
• large internal corpora, где users просят обзоры и связи.

Обычно слабее оправдан для:

• support centers;
• API docs;
• коротких product manuals;
• corpora, где почти все queries локальные и точечные.

7. Главная цена GraphRAG — indexing cost и operational complexity

Нужно честно учитывать:

• дорогую и медленную индексацию;
• чувствительность к quality entity extraction;
• сложность prompt tuning;
• больший объём артефактов и состояния;
• больше moving parts по сравнению с vector RAG.

Поэтому decision rule простой: GraphRAG нужен только там, где тип вопросов оправдывает эту стоимость.

8. Как смотреть на GraphRAG в 2026

Лучше всего — как на retrieval specialization для corpus-level synthesis.

Он не заменяет:

• chunking;
• embeddings;
• standard retrieval;
• reranking.

Часто он дополняет их, а не вытесняет. В части production systems здоровая схема такая:

local factual query -> vector / hybrid RAG
overview or relationship-heavy query -> GraphRAG path

Минимальный CLI flow

pip install graphrag
graphrag init --root ./my-project
graphrag index --root ./my-project
graphrag query --root ./my-project --method global --query "Какие основные темы в корпусе?"

Практически важно помнить:

• indexing expensive, start small;
• query mode надо подбирать под question type;
• GraphRAG часто требует отдельного eval именно на overview questions.