Что такое Graph RAG? В каких случаях обычного RAG недостаточно и нужен граф?

Что такое Graph RAG?

Graph RAG (Graph-based Retrieval Augmented Generation) — это подход, который расширяет классический RAG за счет использования графа знаний. Вместо того чтобы просто искать похожие текстовые фрагменты по векторному сходству, Graph RAG строит граф, где узлы — это сущности (люди, места, события), а ребра — связи между ними. При получении вопроса система сначала находит релевантные узлы и связи в графе, а затем передает эту структурированную информацию языковой модели для генерации ответа.

Когда обычного RAG недостаточно?

Обычный RAG отлично работает для фактологических вопросов, где ответ содержится в одном или нескольких близких по смыслу документах. Однако он сталкивается с проблемами в следующих случаях:

• Многошаговые вопросы: например, "Какие лекарства, одобренные FDA, производятся компаниями, основанными выпускниками MIT?" — требуется соединить данные из разных источников.
• Понимание взаимосвязей: вопрос "Какие проекты связывают компанию X и профессора Y?" требует анализа связей, а не просто поиска текста.
• Агрегация и сравнение: "Сравните доходы всех дочерних компаний холдинга Z" — нужно собрать данные по иерархии.

Пример кода (концептуальный)

# Псевдокод для Graph RAG
from graph_rag import GraphRAG

# Строим граф из документов
graph = build_knowledge_graph(documents)

# Вопрос пользователя
query = "Какие технологии использует компания Acme?"

# Извлекаем подграф, релевантный вопросу
subgraph = graph.extract_subgraph(query)

# Формируем контекст из графа
context = subgraph.to_text()

# Генерируем ответ с LLM
answer = llm.generate(query, context)

Вывод

Graph RAG стоит применять в задачах, где важны связи между сущностями, требуется анализ сложных взаимосвязей или многошаговый вывод. Он незаменим в аналитике, исследованиях, юридических и медицинских системах, где данные сильно структурированы и связаны.