RAG grafowy

Odmiana RAG, w której z dokumentów wydobywa się encje i relacje, budując graf wiedzy, a wyszukiwanie porusza się po powiązaniach zamiast po podobieństwie fragmentów. Rozwiązuje pytania globalne, na które odpowiedź trzeba złożyć z wielu miejsc. Kosztowniejszy w budowie i utrzymaniu niż klasyczny RAG.

W Polsce nazywane też:

RAG grafowywyszukiwanie po grafie wiedzy

Klasyczny RAG dobrze odpowiada na pytania, których odpowiedź leży w jednym fragmencie. Gorzej radzi sobie z pytaniami, na które odpowiedź trzeba złożyć z wielu miejsc naraz.

Czym jest GraphRAG

Podejście, w którym z dokumentów wydobywa się najpierw encje i relacje między nimi, budując graf wiedzy. Wyszukiwanie nie polega wtedy wyłącznie na podobieństwie fragmentów, lecz na poruszaniu się po powiązaniach: od encji do encji, od relacji do relacji.

Jakie pytania to rozwiązuje

Pytania globalne, dotyczące całego zbioru: jakie są główne wątki w tych dokumentach, jak podmiot A wiąże się z podmiotem C przez pośredników, co się zmieniło między wersjami. Wyszukiwanie po podobieństwie zwróci na nie kilka fragmentów, z których żaden nie zawiera odpowiedzi, bo odpowiedź nie istnieje w żadnym pojedynczym miejscu.

Koszt

Zbudowanie grafu wymaga przetworzenia całego zbioru modelem, żeby wydobyć encje i relacje. To koszt jednorazowy, ale znaczący, a przy zmianach treści częściowo się powtarza. Utrzymanie jest droższe niż w klasycznym RAG.

Kiedy ma sens

Przy zbiorach o gęstej strukturze powiązań — dokumentacji korporacyjnej, aktach spraw, badaniach, bazach produktowych z zależnościami. Przy zwykłej bazie artykułów, gdzie pytania dotyczą pojedynczych tematów, nakład zwykle się nie zwraca.

Warto to traktować jako uzupełnienie, nie zamiennik: wiele wdrożeń łączy graf z wyszukiwaniem hybrydowym, wybierając ścieżkę zależnie od typu pytania.

Powiązane pojęcia

wyszukiwanie hybrydowePołączenie wyszukiwania wektorowego z pełnotekstowym, z wynikami łączonymi w jeden ranking. Wyszukiwanie po tekście ratuje przypadki, w których embeddingi zawodzą: identyfikatory, kwoty, daty, rzadkie nazwy własne i terminy branżowe. Standard przy bazach z dokumentacją, danymi produktowymi i umowami.agentowy RAGArchitektura, w której wyszukiwanie jest narzędziem w pętli agenta, a nie stałym krokiem przed odpowiedzią. Model decyduje, czy szukać, jak sformułować zapytanie i czy powtórzyć próbę. Daje lepsze wyniki przy pytaniach złożonych kosztem większej liczby obrotów pętli i ryzyka zapętlenia.Graf wiedzy korporacyjnejSemantyczna sieć wiedzy organizacyjnej reprezentująca encje i relacje jako graf — dostępna dla agentów AI, pozwalająca na odpowiedzi uwzględniające kontekst i powiązania, nie tylko izolowane fakty z dokumentów. Microsoft Graph jako gotowy knowledge graph dla ekosystemu M365.Fragmentacja dokumentówProces dzielenia długich dokumentów na mniejsze fragmenty przed embeddingiem — kluczowy krok w pipeline RAG który bezpośrednio wpływa na jakość wyszukiwania semantycznego. Zbyt małe chunki tracą kontekst, zbyt duże gubią szczegóły. Właściwy chunking to jeden z najważniejszych czynników jakości RAG.Generowanie wspomagane wyszukiwaniemArchitektura systemu AI łącząca model językowy z zewnętrzną bazą wiedzy — model otrzymuje w czasie rzeczywistym fragmenty dokumentów odnalezione przez wyszukiwanie semantyczne i generuje odpowiedź na podstawie aktualnej, specyficznej dla kontekstu wiedzy zamiast polegać wyłącznie na danych treningowych.