Что такое GraphRAG: граф знаний в RAG простыми словами

GraphRAG — это подход к RAG, в котором языковая модель сначала строит из документов граф знаний: сущности, связи между ними и сводки по группам связанных сущностей. При ответе система опирается не только на похожие фрагменты текста, но и на этот граф, поэтому лучше отвечает на вопросы «по всему корпусу», например «какие основные темы в переписке проекта».

Материал подготовлен AIrassvet 25 октября 2026 года для руководителей, ИТ-директоров и владельцев баз знаний, которые выбирают архитектуру ИИ-поиска по документам компании. Он опирается на статью Microsoft Research о GraphRAG, документацию и репозиторий проекта, публикацию Microsoft о LazyGraphRAG и статью о LightRAG. Собственных замеров мы не проводили: все цифры приведены по первоисточникам с указанием условий. В статье мы объясняем принцип работы, ограничения и критерии выбора, но не разбираем установку конкретной библиотеки, настройку промптов и выбор графовой СУБД.

Содержание

Кратко
Что такое GraphRAG
Чем GraphRAG отличается от обычного RAG
Как GraphRAG строит граф знаний
Как GraphRAG отвечает на вопросы
Что показало исследование Microsoft
Где GraphRAG полезен бизнесу
Ограничения: когда GraphRAG не нужен
GraphRAG, LazyGraphRAG и LightRAG: в чём разница
Как решить, нужен ли вам GraphRAG
Глоссарий
Первоисточники и метод проверки

Кратко

Что это: RAG, который перед ответом строит граф знаний из ваших документов и готовит сводки по группам связанных сущностей.
Зачем: обычный векторный RAG хорошо находит конкретный фрагмент, но плохо отвечает на вопросы о корпусе в целом и на вопросы, где нужно связать разрозненные факты.
Чем подтверждено: в статье Microsoft Research на двух корпусах примерно по 1 млн токенов глобальный поиск GraphRAG выигрывал у векторного RAG по полноте ответа в 72–83% сравнений.
Чем платите: индексация требует много вызовов языковой модели; авторы прямо предупреждают, что она может быть дорогой, и советуют начинать с малого.
Когда не нужен: если пользователи задают точечные вопросы вида «какой срок поставки в договоре № 15», обычный или гибридный поиск дешевле и прямее.

Что такое GraphRAG

Чтобы понять GraphRAG, нужны три термина.

RAG (retrieval-augmented generation, генерация с дополненным поиском) — схема, в которой модель перед ответом получает найденные фрагменты из документов компании. Подробно архитектуру мы разбирали в статье про RAG-систему для бизнеса.

Граф знаний — структура из узлов и рёбер. Узлы — сущности: люди, компании, продукты, места, документы. Рёбра — связи между ними: «поставляет», «подписал», «упоминается вместе с». Граф хранит не текст целиком, а то, кто с кем и как связан.

Сообщество в графе — группа сущностей, которые тесно связаны между собой сильнее, чем с остальными. Например, поставщик, его договоры, ответственный менеджер и претензии по этим договорам.

GraphRAG соединяет эти идеи. В документации Microsoft его описывают как структурированный иерархический подход к RAG в противовес «наивному» семантическому поиску по фрагментам текста. Модель извлекает из текста граф, система делит граф на сообщества разного уровня, а модель пишет по каждому сообществу краткую сводку. Эти сводки и сам граф затем используются при ответе.

Проект открыт Microsoft Research: статья «From Local to Global: A Graph RAG Approach to Query-Focused Summarization» появилась на arXiv 24 апреля 2024 года, код опубликован на GitHub под лицензией MIT, первый релиз — в июле 2024 года.

Чем GraphRAG отличается от обычного RAG

Обычный, или базовый, RAG разбивает документы на фрагменты, превращает их в векторы и ищет фрагменты, похожие на вопрос. Как устроено хранение таких векторов, мы объясняли в статье о векторных базах данных. Документация GraphRAG называет две ситуации, где такой подход работает плохо: когда ответ требует «соединить точки» через общие признаки разрозненных фактов и когда нужно целостно понять большую коллекцию документов.

Критерий	Векторный RAG	GraphRAG
Что хранит	Фрагменты текста и их векторы	Фрагменты, сущности, связи, сообщества и их сводки
Как готовит индекс	Нарезка и векторизация, без генерации текста	Модель читает каждый фрагмент и извлекает сущности и связи, затем пишет сводки
Лучшие вопросы	Точечные: найти условие, цифру, пункт	Обзорные и связующие: темы, участники, цепочки связей
Прямота ответа	Выше: в исследовании Microsoft векторный RAG давал самые прямые ответы	Ответы полнее и разнообразнее, но длиннее
Обновление	Добавили документ — пересчитали его векторы	Нужно обновить граф, сообщества и сводки
Стоимость индексации	Низкая	Высокая: много вызовов модели

Важно: GraphRAG не отменяет векторный поиск. Локальный режим GraphRAG по-прежнему использует исходные фрагменты текста, а в библиотеку встроен и «базовый» векторный режим для сравнения.

Как GraphRAG строит граф знаний

Документация Microsoft описывает индексацию так. Мы пересказываем шаги и поясняем, что происходит на каждом.

Нарезка на текстовые единицы. Корпус делится на фрагменты (TextUnits). Они нужны и для анализа, и для ссылок на источник в ответе. Размер фрагмента влияет на стоимость: в статье отмечено, что более длинные фрагменты требуют меньше вызовов модели. Как выбирать размер, мы разбирали в материале о чанкинге документов.
Извлечение сущностей, связей и утверждений. Языковая модель читает каждый фрагмент и выписывает сущности, связи между ними и ключевые утверждения.
Кластеризация графа. Граф делится на иерархию сообществ алгоритмом Лейдена: от крупных групп верхнего уровня до мелких.
Сводки по сообществам. Модель пишет краткое описание каждого сообщества снизу вверх: сначала мелкие группы, затем крупные. Так появляется «карта» корпуса на нескольких уровнях детализации.
Векторы для поиска. Для фрагментов и сущностей строятся векторные представления, чтобы находить точку входа в граф по вопросу пользователя.

Масштаб на примере из статьи: корпус расшифровок подкаста объёмом около 1 млн токенов превратился в граф из 8 564 узлов и 20 691 ребра. Индексация с фрагментами по 600 токенов заняла 281 минуту на виртуальной машине с 16 ГБ памяти через API gpt-4-turbo.

Как GraphRAG отвечает на вопросы

В документации описаны четыре режима поиска. Выбор режима — ключевое решение при проектировании, потому что режимы сильно различаются по цене и по типу вопросов.

Режим	Как работает	Для каких вопросов
Global Search	Обходит сводки сообществ по схеме map-reduce: каждая сводка даёт частичный ответ, затем частичные ответы сводятся в итоговый	«Какие основные темы?», «Что объединяет жалобы клиентов за год?». Документация называет режим ресурсоёмким
Local Search	Находит сущности из вопроса, расходится к их соседям и добавляет исходные фрагменты текста	Вопросы о конкретной сущности: поставщике, продукте, человеке
DRIFT Search	Локальный поиск плюс сведения о сообществах; уточняет вопрос через дополнительные подвопросы	Вопросы о сущности, где важен более широкий контекст
Basic Search	Обычный векторный поиск top-k фрагментов	Точечные вопросы и сравнение с базовым RAG

На практике это значит, что «GraphRAG» — не одна кнопка. Для системы, где большая часть вопросов точечные, а обзорные встречаются редко, может хватить локального режима и редких глобальных запросов.

Что показало исследование Microsoft

Авторы сравнивали GraphRAG с векторным RAG и с суммаризацией исходного текста без графа на двух наборах данных:

расшифровки подкаста Behind the Tech — около 1 млн токенов;
новостные статьи с сентября 2013 по декабрь 2023 года — около 1,7 млн токенов.

Вопросы были «обзорными»: о темах, тенденциях и выводах по корпусу в целом. Ответы попарно сравнивала другая языковая модель (подход LLM-as-a-judge) по критериям полноты, разнообразия, полезности для читателя и прямоты.

Основные результаты по статье (версия 2 от 19 февраля 2025 года):

Полнота. Глобальные подходы выигрывали у векторного RAG в 72–83% сравнений на подкасте и в 72–80% на новостях.
Разнообразие. Выигрыш составил 75–82% и 62–71% сравнений соответственно.
Прямота. По этому контрольному критерию лучшим оказался векторный RAG: его ответы самые короткие и конкретные.
Экономия контекста. Сводки верхнего уровня потребовали более чем на 97% меньше токенов на запрос, чем суммаризация исходного текста, и всё равно выиграли у векторного RAG по полноте в 72% и по разнообразию в 62% сравнений.

Авторы сами указывают ограничения: проверены только два корпуса около 1 млн токенов, обобщение на другие домены требует дополнительных исследований, а частота выдумок в ответах не сравнивалась. Для бизнеса это означает: результаты показывают потенциал на обзорных вопросах, но не гарантируют выигрыша на ваших документах.

Где GraphRAG полезен бизнесу

Ниже — типы задач, где по описанию метода граф даёт преимущество. Это наши примеры применения, а не задокументированные кейсы.

Аналитика обращений и отзывов. «Какие темы жалоб растут и какие продукты в них упоминаются вместе?» — обзорный вопрос по тысячам текстов.
Переписка и документы крупного проекта. «Кто участвовал в согласовании изменений и какие решения из этого вышли?» — нужна цепочка связей между людьми, письмами и протоколами.
Проверка контрагентов и due diligence. Связи между компаниями, учредителями, договорами и судебными делами естественно ложатся в граф.
Исследования рынка и конкурентов. Свести десятки отчётов в карту игроков, продуктов и тенденций.
Техническая документация с перекрёстными ссылками. Узлы, компоненты, регламенты и инциденты, которые ссылаются друг на друга.

Общий признак: ценность ответа не в одном найденном абзаце, а в связях между многими документами.

Ограничения: когда GraphRAG не нужен

Стоимость индексации. В README репозитория прямо написано, что индексация GraphRAG может быть дорогой операцией, и рекомендовано начинать с малого. Модель читает каждый фрагмент, поэтому затраты растут вместе с объёмом корпуса. Точную сумму для вашего архива можно получить только пилотом на части документов.

Частые обновления. Если документы меняются ежедневно, граф, сообщества и сводки нужно поддерживать в актуальном состоянии. Для быстро меняющихся баз знаний это отдельная инженерная задача.

Качество извлечения зависит от промптов. Документация предупреждает, что «из коробки» GraphRAG может давать не лучшие результаты, и настоятельно советует настроить промпты под свои данные. Для русскоязычных документов, отраслевой терминологии и сокращений это особенно важно: ошибки извлечения сущностей переходят в граф.

Точечные вопросы. Если пользователь ищет конкретный пункт договора или артикул, граф не нужен. Здесь эффективнее гибридный поиск и reranker.

Статус проекта Microsoft. На 25 октября 2026 года README репозитория microsoft/graphrag сообщает, что проект в основном находится в режиме поддержки: новые функции не разрабатываются, выпускаются исправления ошибок и обновления зависимостей. Сам код также помечен как демонстрация методологии, а не официально поддерживаемый продукт Microsoft. Для промышленной системы это аргумент заранее продумать, кто будет сопровождать выбранную реализацию.

GraphRAG, LazyGraphRAG и LightRAG: в чём разница

У идеи графового RAG есть несколько реализаций. Сравним три, о которых есть первоисточники.

Критерий	GraphRAG (Microsoft)	LazyGraphRAG (Microsoft)	LightRAG (HKUDS)
Как строит индекс	Модель извлекает сущности и связи, пишет сводки сообществ	Без модели: извлечение именных групп методами NLP; все вызовы модели откладываются до запроса	Модель извлекает сущности и связи; граф объединён с векторными представлениями
Заявленная стоимость индексации	Высокая, по README	По данным Microsoft, как у векторного RAG и 0,1% от полного GraphRAG	Позиционируется как более быстрая и дешёвая альтернатива GraphRAG
Обновление данных	Требует пересчёта структур	Индекс дешёвый, пересчитать проще	Заявлены инкрементальное добавление и выборочное удаление документов
Хранилища	Файлы и поддерживаемые хранилища	—	Neo4j, PostgreSQL и другие; хранилища по умолчанию авторы называют неподходящими для продакшна
Доступность	Открытый код, MIT, режим поддержки	По заметке Microsoft от 6 июня 2025 года — в составе Microsoft Discovery и Azure Local (публичное превью)	Открытый код, MIT

По LazyGraphRAG Microsoft также сообщает о стоимости запроса более чем в 700 раз ниже глобального поиска GraphRAG при сопоставимом качестве ответов на обзорные вопросы. Это данные самого разработчика, независимой проверки мы не нашли.

У LightRAG есть практическая деталь: модель эмбеддингов нужно выбрать до индексации, а её смена требует пересчитать векторы для фрагментов, сущностей и связей. Как выбирать такую модель, мы описали в чек-листе выбора модели эмбеддингов.

Как решить, нужен ли вам GraphRAG

Мы предлагаем пройти пять вопросов по порядку. Это наша схема рассуждения, а не стандарт отрасли.

Какие вопросы задают пользователи? Соберите 30–50 реальных вопросов и разметьте их: точечный, о конкретной сущности, обзорный. Если обзорных почти нет, начните с векторного или гибридного RAG.
Нужны ли связи между документами? Если ответ обычно лежит в одном документе, граф избыточен. Если нужно связать людей, договоры и события из разных источников — это аргумент за граф.
Как часто меняются документы? Ежедневные изменения повышают стоимость поддержки графа. Архив и редко обновляемые регламенты — удобнее.
Какой бюджет на индексацию? Проведите пилот на части корпуса и посчитайте фактические вызовы модели. Без пилота оценка стоимости будет догадкой.
Где должна работать модель? Индексация отправляет в модель весь корпус. Если документы нельзя передавать во внешний сервис, нужна модель на собственных серверах.

Если ответы указывают на граф, начните с гибрида: векторный или гибридный поиск для точечных вопросов и граф для обзорных. Сравнивайте варианты на одном наборе контрольных вопросов.

Глоссарий

RAG — генерация ответа моделью с опорой на найденные фрагменты документов.
Граф знаний — сеть сущностей (узлов) и связей между ними (рёбер).
Сущность — объект, о котором идёт речь в тексте: человек, организация, продукт, место, событие.
Сообщество — группа тесно связанных сущностей в графе.
Алгоритм Лейдена — метод поиска сообществ в графе, который GraphRAG использует для иерархической кластеризации.
Сводка сообщества — краткое описание группы сущностей, написанное моделью на этапе индексации.
Глобальный поиск — ответ по сводкам сообществ обо всём корпусе.
Локальный поиск — ответ о конкретной сущности через её соседей в графе и исходные фрагменты.
Токен — единица текста, которую обрабатывает языковая модель; по токенам считают объём корпуса и стоимость вызовов.

Первоисточники и метод проверки

Мы проверили каждое утверждение о GraphRAG по первоисточникам 25 октября 2026 года:

Edge D. et al. From Local to Global: A Graph RAG Approach to Query-Focused Summarization, arXiv:2404.16130, версия 2 от 19.02.2025 — описание метода, наборы данных, результаты и ограничения;
Документация GraphRAG и описание режимов поиска — шаги индексации и четыре режима;
Репозиторий microsoft/graphrag — лицензия MIT, предупреждение о стоимости, статус режима поддержки;
Microsoft Research: LazyGraphRAG: setting a new standard for quality and cost, 25.11.2024 — данные о стоимости приведены по публикации разработчика;
Guo Z. et al. LightRAG: Simple and Fast Retrieval-Augmented Generation, arXiv:2410.05779, и репозиторий LightRAG — архитектура, хранилища, обновления, лицензия.

Мы не запускали GraphRAG на собственных данных. Сценарии применения и схема из пяти вопросов — наша редакционная интерпретация. Стоимость индексации в рублях не приводим: она зависит от модели, объёма корпуса и настроек.

Как AIrassvet помогает внедрить RAG на графе знаний

Выбор между векторным, гибридным и графовым RAG лучше делать на ваших вопросах и документах, а не по общим обзорам. На сайте AIrassvet среди направлений указаны RAG-системы и корпоративные базы знаний, развёртывание LLM на серверах заказчика, а также аудит процессов, подготовка данных, разработка MVP и тестирование. Для этой задачи это означает:

аудит вопросов пользователей и корпуса: какая доля вопросов обзорная и где действительно нужны связи между документами;
подготовку документов и прототип базы знаний, в котором векторный поиск и граф сравниваются на одном наборе контрольных вопросов;
развёртывание языковой модели в контуре компании, если документы нельзя отправлять во внешний сервис на индексацию.

Первый шаг — выбрать один процесс, где сотрудники ищут ответы в документах, и зафиксировать текущий результат, источники данных, ограничения и критерий приёмки.

Обсудить задачу

Итог: GraphRAG нужен для вопросов о связях, а не для поиска абзаца

GraphRAG строит из документов граф знаний и сводки по группам связанных сущностей. В исследовании Microsoft это дало более полные и разнообразные ответы на обзорные вопросы, чем векторный RAG, но ценой дорогой индексации и менее прямых ответов.

Если ваши пользователи спрашивают «что происходит в целом» и «как это связано», граф стоит проверить пилотом на части корпуса. Если они ищут конкретные пункты и цифры, начните с векторного или гибридного поиска и вернитесь к графу, когда появятся обзорные вопросы.