Microsoft Research еще в феврале 2024 года показала, почему обычный RAG часто спотыкается на сложных вопросах, а GraphRAG вытягивает ответ. Для команд, которые строят поиск по внутренним документам, базе знаний или архиву переписки, разница простая: один подход ищет похожие фрагменты, другой пытается собрать связи между фактами.
Практический смысл здесь без магии. Если пользователю нужен не один точный факт, а сводная картина по большому массиву текстов, графовый подход может дать более осмысленный ответ и сразу показать, откуда он взялся.
Где обычный RAG теряет контекст
В исходном разборе Microsoft называет две слабые зоны базового RAG. Первая: он плохо «соединяет точки», когда ответ нужно собрать из нескольких разрозненных фрагментов. Вторая: он слабо работает с вопросами уровня «какие главные темы в этом массиве данных», потому что векторный поиск тянет куски текста, похожие на формулировку запроса, а не на смысл всей коллекции.
Microsoft проверяла это на наборе VIINA: это тысячи новостных материалов из российских и украинских источников за июнь 2023 года, переведенных на английский. Вопрос «What has Novorossiya done?» базовый RAG фактически провалил. GraphRAG нашел сущность в графе, связал ее с отношениями и выдал ответ с привязкой к исходным фрагментам. Для корпоративных систем это важный момент: мало сгенерировать текст, нужно еще быстро проверить, не придумала ли модель лишнего.
Как GraphRAG собирает знания из текста
GraphRAG не ограничивается нарезкой документов на чанки. Во время индексации модель извлекает сущности и отношения, строит граф знаний, затем группирует данные в семантические кластеры и заранее готовит их сводки. На этапе запроса система использует и сам граф, и эти сводки, чтобы подать модели более связный контекст.
Microsoft формулирует это прямо: Baseline RAG struggles to connect the dots. В переводе на рабочий язык это значит, что классический RAG хорош для локальных вопросов вроде поиска конкретного пункта в политике возврата, но хуже справляется с аналитикой по большому корпусу материалов.
Второй показательный пример из исследования: вопрос о пяти главных темах во всем наборе данных. Базовый RAG вернул список, слабо связанный с реальным содержимым корпуса. GraphRAG выдал темы, которые совпадали с общей картиной массива, и сослался на подготовленные отчеты по кластерам.
Ограничения и значение для рынка
Здесь важно не переобещать. В этом материале Microsoft говорила не о универсальной победе GraphRAG во всех сценариях и не приводила тот числовой бенчмарк, который часто приписывают технологии в пересказах. Исследователи писали о качественных метриках: полноте ответа, разнообразии точек зрения и наличии опоры на источники. По их словам, GraphRAG стабильно обходил базовый RAG по этим параметрам, а по фактической надежности показывал сопоставимый уровень.
Для российских и СНГ-команд вывод приземленный: если вы строите помощника для службы поддержки, юридического архива, аналитики по клиентским обращениям или внутренней базы знаний, GraphRAG интересен там, где нужен не просто поиск похожего абзаца, а понимание связей между документами. Но за это придется платить более дорогой индексацией, дополнительной настройкой и более сложным контуром данных.
Следующий логичный шаг для рынка не в том, чтобы заменить любой RAG на графы, а в том, чтобы выбирать GraphRAG для задач, где цена потери контекста действительно высока.
Первоисточник: .