GraphRAG — это модульная graph-based Retrieval-Augmented Generation (RAG) система и конвейер обработки данных от Microsoft. Она превращает неструктурированный текст в граф знаний (knowledge graph), сводки сообществ и индекс, по которому можно искать ответы на сложные вопросы.
Английский термин: GraphRAG (также встречается Graph RAG, graph-based RAG). Также можно встретить перевод: графовый RAG.
Практический вывод: если вы уже понимаете RAG (Retrieval-Augmented Generation), то GraphRAG можно читать как его графовую надстройку для корпусов, где важны связи между сущностями и глобальный смысл.
Простыми словами
Можно представить GraphRAG как библиотекаря, который не просто ищет страницу по словам, а сначала рисует карту связей между персонажами, событиями и фактами. Потом он отвечает не только по одному абзацу, а по всей «картине» документов.
Это аналогия: в реальности система строит граф и сводки, а не человеческую схему на бумаге.
Как это работает
По официальной документации GraphRAG запускает индексный конвейер: он извлекает сущности, отношения и claims, затем делает community detection, строит community summaries и отчёты, а текст дополнительно эмбеддит с помощью LLM (large language model).
Далее результаты по умолчанию сохраняются как таблицы Parquet, а embeddings уходят в настроенное vector store. После этого Query Engine работает поверх готового индекса и предлагает Local Search, Global Search, DRIFT Search, Basic Search и Question Generation.
Неструктурированный текст
→ сущности / связи / claims
→ community detection
→ community summaries + reports
→ embeddings
→ индекс (Parquet + vector store)
→ Query Engine
├─ Local Search
├─ Global Search
├─ DRIFT Search
├─ Basic Search
└─ Question Generation
Почему здесь важны два слоя. Local Search комбинирует AI-extracted knowledge-graph data с raw text chunks. Global Search ищет по AI-generated community reports в стиле map-reduce и считается ресурсоёмким. Идея двухэтапного индекса совпадает с paper: сначала entity knowledge graph, затем community summaries; авторы отдельно сообщают о выигрыше на global sensemaking questions примерно на масштабе 1 млн токенов.
Практический смысл: GraphRAG полезен не тогда, когда нужен ещё один быстрый retriever, а когда вопрос требует собрать целостную картину из большого корпуса.
Где применяется
На практике GraphRAG используют там, где один и тот же объект встречается в разных файлах и его нужно связать через сущности и отношения, а не только через совпадение слов. Это особенно полезно для private или unseen datasets, о которых говорится в launch-материале Microsoft Research.
- Внутренние архивы документов и регламентов.
- Большие коллекции материалов, где нужен ответ по всему корпусу.
- Сценарии, где важно отделить локальный фрагмент от глобального смысла.
Если корпус содержит много повторяющихся сущностей — людей, продуктов, процессов, проектов, — GraphRAG помогает сводить упоминания в одну структуру без ручной разметки. На выходе вы получаете не только ответ, но и более связный путь к нему через граф и summaries.
Практический пример
Допустим, у вас есть папка с внутренними регламентами. Вы хотите сначала построить индекс, а затем задавать вопросы по всей коллекции.
graphrag init
graphrag indexПосле init у вас появляются базовые файлы конфигурации и промптов, после index — результаты в ./output. Если у вас Azure-сценарий, в документации показан путь с auth_method: azure_managed_identity и командой az login; там же приведён пример версии API 2024-02-15-preview.
Совет из репозитория: начните с маленького корпуса, чтобы оценить стоимость индексации и качество сводок до масштабирования. После этого выбирайте режим поиска: Local Search — когда нужен ответ с опорой на исходные фрагменты, Global Search — когда важен срез по всему корпусу, а не по одной записи.
Чем отличается от…
Если сравнивать GraphRAG с обычным RAG, разница не в самой генерации, а в том, что GraphRAG сначала готовит структурированный слой знаний и сводок. Если сравнивать с knowledge graph, GraphRAG добавляет ещё и query layer для ответов.
| Термин | Что делает | Ключевая разница |
|---|---|---|
| GraphRAG | Строит граф знаний, сводки сообществ и queryable outputs поверх корпуса | Работает как модульный RAG-пайплайн для сложного поиска и глобального синтеза |
| RAG (Retrieval-Augmented Generation) | Опирается на retrieval при генерации ответа | GraphRAG добавляет графовую структуру, community summaries и режимы глобального поиска |
| Граф знаний (knowledge graph) | Хранит сущности и отношения | GraphRAG не ограничивается хранением графа: он ещё строит индекс и выдаёт ответы через Query Engine |
Это не transfer learning и не RLHF: в источниках GraphRAG описан как pipeline и система индексации, а не как обучение модели.
Ограничения и заблуждения
Редакционная оговорка: в источниках не указаны цены на LLM, embeddings, vector store или Azure-сервисы; их нужно проверять у соответствующих провайдеров отдельно. Также документация не привязана к одному git-tag, поэтому перед обновлением стоит сверить changelog и страницу релизов.
- Заблуждение: GraphRAG — официальный поддерживаемый Microsoft продукт. На деле: репозиторий прямо называет код демонстрацией и отдельно предупреждает об отсутствии официальной поддержки.
- Заблуждение: GraphRAG нужен всегда. На деле: для небольших корпусов индексация может быть избыточной; документация советует начинать с малого.
- Заблуждение: GraphRAG ускоряет всё. На деле: Global Search ресурсозатратен, а полноценная индексация стоит вычислительных ресурсов.
- Заблуждение: GraphRAG — это быстрый переключатель качества. На деле: это отдельная архитектура с дополнительными затратами на индексацию и сопровождение.
На 2026-08-13 в видимом списке релизов указана версия v3.1.1 от 2026-07-18; в changelog для неё отмечены точечные исправления и обновления зависимостей.
Редакционная ремарка: для публикации на сайте подключите schema.org-разметку DefinedTerm, FAQPage и BreadcrumbList в шаблоне страницы.
Источники
- GitHub – microsoft/graphrag
- Releases · microsoft/graphrag
- graphrag/CHANGELOG.md
- Welcome – GraphRAG
- Getting Started – GraphRAG
- Overview – GraphRAG (index)
- Overview – GraphRAG (query)
- GraphRAG: New tool for complex data discovery now on GitHub
- From Local to Global: A Graph RAG Approach to Query-Focused Summarization
Вопросы и ответы
GraphRAG — это модель? Нет. Это система и pipeline вокруг LLM, а не отдельная языковая модель.
Чем GraphRAG отличается от обычного RAG? Он добавляет граф знаний и community summaries, чтобы лучше работать с глобальными вопросами по большому корпусу.
Когда GraphRAG может быть лишним? Когда корпус маленький или вам хватает простого поиска по фрагментам: официальная документация предупреждает, что индексация может быть дорогой.
Какие режимы поиска доступны? В Query Engine перечислены Local Search, Global Search, DRIFT Search, Basic Search и Question Generation.
Поддерживается ли GraphRAG официально Microsoft? По репозиторию — нет; код демонстрационный и не является официально поддерживаемым предложением Microsoft.