GraphRAG (CS)

GraphRAG — je zdokonalené paradigma Retrieval-Augmented Generation (RAG), ve kterém je namísto tradičního vyhledávání v izolovaných textových fragmentech (chuncích) využíván znalostní graf (Knowledge Graph, KG). Grafová struktura explicitně reprezentuje vztahy mezi entitami a hierarchii doménových pojmů, což umožňuje LLM provádět víceúrovňové logické odvozování znalostí a formovat kontextově uvědomělejší a vysvětlitelnější odpovědi.

Přístup GraphRAG vykazuje výraznou převahu nad klasickým RAG při práci se složitými, víceúrovňovými (multi‑hop) dotazy, kde odpověď závisí na kombinaci více faktů roztroušených v různých dokumentech.

Omezení klasického RAG a výhody grafu

Klasický RAG, založený na vektorovém vyhledávání v nestrukturovaném textu, naráží na řadu zásadních omezení, která se stávají kritickými ve složitých podnikových scénářích:

• Absence strukturálních vztahů: Tradiční RAG zpracovává textové chunky jako izolované jednotky a nevidí explicitní vztahy mezi nimi. To jej činí neefektivním pro multi‑hop dotazy, kde je k zodpovězení nutné projít řetězcem faktů (A→B→C), přičemž vyhledávání najde pouze počáteční a koncový článek (A a C), ale přehlédne mezičlánky.
• Sémantická nejednoznačnost: V úzce specializovaných oblastech (medicína, právo, inženýrství) mají termíny specifické významy. Vektorové vyhledávání, zachycující obecné téma, může nesprávně interpretovat roli konkrétního objektu, což vede k získání nerelevantního kontextu.
• Omezená vysvětlitelnost: Klasický RAG poskytuje fragmenty dokumentů, nikoli však explicitní důkazy o tom, jak jsou tyto fragmenty propojeny do logického řetězce. GraphRAG naopak tento proces činí transparentním, poskytuje jako důkaz cestu v grafu a vyžaduje přiřazení tvrzení ke zdrojům (citace).

GraphRAG řeší tyto problémy tím, že reprezentuje znalosti jako síť propojených entit a vztahů, což umožňuje systému nejen vyhledávat podobný text, ale provádět logické odvozování na základě formalizovaného modelu předmětné oblasti.

Architektura GraphRAG

Obecný pipeline GraphRAG rozšiřuje klasický RAG o fáze budování a využívání znalostního grafu. Dělí se do dvou hlavních etap: offline příprava a online zpracování dotazu.

Etapa 1: Ingest a indexace (offline)

V této etapě jsou vstupní data (dokumenty, databáze) transformována do dvou vzájemně se doplňujících reprezentací: grafové a vektorové.

1. Extrakce znalostí: Z textů jsou extrahovány strukturované fakty pomocí NLP pipeline:
   • Named Entity Recognition (NER): Nalezení zmínek o entitách (osobách, organizacích, produktech).
   • Entity Linking (EL): Propojení zmínek s kanonickými identifikátory v grafu za účelem odstranění nejednoznačnosti (např. „Novák J." a „J. Novák" se stanou jedním uzlem).
   • Relation Extraction (RE): Identifikace vztahů mezi entitami (např. Společnost X −akvizovala→ Startup Y).
2. Modelování a ukládání grafu: Extrahované trojice (subjekt‑predikát‑objekt) jsou načteny do grafové databáze. Výběr modelu (Property Graph nebo RDF) závisí na úkolu. Kriticky důležité je uchovávat původ (provenance) každého faktu — odkaz na zdrojový dokument a textový fragment. Do grafu lze také přidat metadata o čase (valid_from/valid_to) a důvěryhodnosti (confidence).
3. Hybridní indexace: Paralelně s grafem je vytvořen vektorový index pro zdrojové textové fragmenty. To umožňuje kombinovat strukturální vyhledávání v grafu se sémantickým vyhledáváním v textu.

Etapa 2: Zpracování dotazu a generování odpovědi (online)

1. Analýza dotazu: Uživatelský dotaz je analyzován za účelem identifikace klíčových entit, které slouží jako „vstupní body" do grafu.
2. Extrakce podgrafu: Namísto vyhledávání jednotlivých chunků GraphRAG nalezne relevantní podgraf — propojený fragment grafu kolem „vstupních bodů" obsahující informace potřebné k zodpovězení dotazu. K tomu se používají algoritmy jako k‑hop průchod nebo Personalized PageRank (PPR).
3. Hybridní vyhledávání a sloučení výsledků: Paralelně s extrakcí podgrafu probíhá vyhledávání ve vektorovém a/nebo lexikálním (BM25) indexu. Výsledky z grafu a textu jsou sloučeny a předány do další fáze.
4. Přeřazení (Re‑ranking): Sloučený seznam kandidátů (uzly grafu a textové chunky) je přeřazen pomocí přesnějšího modelu (např. cross‑encoder) za účelem výběru nejrelevantnějších informací. To umožňuje odfiltrovat šum a zvýšit přesnost.
5. Balení kontextu a generování: Vybraný a přeřazený kontext (podgraf a texty) je převeden do formátu srozumitelného pro LLM (např. seznam tvrzení s uvedením zdrojů). Tento obohacený kontext je vložen do promptu pro generování finální odpovědi.
6. Trasování a citace: Díky vazbě „fakt ↔ zdroj" v grafu obsahuje vygenerovaná odpověď přesné odkazy na dokumenty potvrzující každé tvrzení. To zajišťuje vysokou podloženost a transparentnost.

Srovnávací tabulka komponent

Srovnávací analýza klíčových komponent architektury GraphRAG

Komponenta/aspekt	Varianty implementace	Výhody	Nevýhody/rizika	Kdy je preferováno
Model znalostního grafu	RDF/OWL	Striktní ontologie, logické odvozování (reasoning), kompatibilita s Linked Open Data.	Obtížné ukládání atributů vztahů (čas, zdroj) bez dalších entit (reification).	Sémanticky bohaté domény s existujícími ontologiemi; je vyžadována dedukce.
Property Graph (Neo4j, atd.)	Flexibilita, libovolné vlastnosti na uzlech/hranách, vysoký výkon.	Vyžaduje jasné schéma ručně, jinak riziko „chaosu"; chybí jednotný standard.	Rychlý start s nestrukturovanými daty; integrace s dokumenty (multi‑model DB).
Extrakce podgrafu	k‑hop BFS / DFS	Pokrývá všechny uzly do hloubky k, snadná implementace.	„Exploze" grafu: lavinový nárůst počtu uzlů; může vrátit mnoho šumu.	Malé grafy nebo průchod do hloubky 1–2; hierarchické struktury.
Personalized PageRank (PPR)	Zaměřuje se na skutečně propojené uzly, šum je odfiltrován.	Může přehlédnout vzdálený, ale důležitý uzel (pokud existuje málo cest, ale je kritický).	Složité sítě s mnoha cestami (sociální graf, graf citací).
Hybridní vyhledávání	Kombinovaný seznam (scalar fusion s váhou λ)	Nastavení vah λ umožňuje vyvažovat precision/recall podle úkolu.	Pevné λ není optimální pro všechny typy dotazů.	Ve fázi prototypování; když je předem známo, že jeden zdroj je jednoznačně důležitější.
Cross‑encoder rerank	Výrazné zvýšení přesnosti; možnost zohlednit složité vzájemné vztahy.	Zvyšuje latenci; vyžaduje trénovací data nebo použití hotových modelů.	High‑precision scénáře (právo, medicína), kde je důležitý maximálně relevantní kontext.
Bezpečnost dat	Filtrování podgrafu (RBAC/ABAC)	Granulární kontrola (až na úroveň uzlu) vylučuje úniky dat.	„Slepé zóny": pokud je odebrán důležitý uzel, odpověď může být neúplná.	V podnikových prostředích s přísnými požadavky na přístup (PII, GDPR, obchodní tajemství).

Trasování, důvěra a bezpečnost

Jednou z hlavních výhod GraphRAG je možnost prezentovat transparentní řetězce důkazů. Namísto odpovědi „černé skříňky" může systém ukázat cestu uvažování: „Fakt A je zmíněn v [doc1]. Je propojen s faktem B [doc2], a B podle [doc3] vede k C," — což zvyšuje důvěru uživatele a usnadňuje ladění.

Navíc grafová struktura umožňuje implementovat granulární řízení přístupu (RBAC/ABAC). Každý uzel nebo hrana v grafu může mít přístupový štítek. Při extrakci podgrafu systém automaticky odfiltruje data, ke kterým uživatel nemá oprávnění, čímž zajišťuje bezpečnost v citlivých oblastech (finance, HR, medicína).

Hodnocení kvality

Hodnocení systému GraphRAG je víceúrovňové a zahrnuje metriky pro každou komponentu:

• Metriky extrakce znalostí: F1‑score pro NER a RE za účelem hodnocení kvality budování grafu.
• Metriky extrakce podgrafu: Subgraph Recall@K (podíl případů, kdy uzly/hrany potřebné k odpovědi byly zahrnuty do extrahovaného podgrafu) a Path Precision/Recall pro multi‑hop otázky.
• Metriky odpovědí LLM:
  • Faithfulness / Groundedness: do jaké míry se odpověď striktně opírá o poskytnutý kontext.
  • Human evaluation: hodnocení odborníky podle kritérií správnosti, úplnosti a soudržnosti.

Pro automatizaci hodnocení se používají specializované benchmarky (např. WebQuestionsSP, GrailQA) a frameworky (např. RAGAS).

Viz také

• Retrieval‑Augmented Generation (RAG)
• Znalostní graf
• Vektorová databáze
• Embedding
• AI-agent
• Hodnocení a benchmarky LLM

Literatura

• Zhang, Q. et al. (2025). A Survey of Graph Retrieval‑Augmented Generation for Customized Large Language Models. arXiv:2501.13958.
• Xu, Z. et al. (2024). Retrieval‑Augmented Generation with Knowledge Graphs for Customer Service Question Answering. arXiv:2404.17723.
• Hu, Y. et al. (2024). GRAG: Graph Retrieval‑Augmented Generation. arXiv:2405.16506.
• Nakano, R. et al. (2021). WebGPT: Browser‑assisted Question‑Answering with Human Feedback. arXiv:2112.09332.
• Yang, R. et al. (2025). KG‑IRAG: A Knowledge Graph‑Based Iterative Retrieval‑Augmented Generation Framework for Temporal Reasoning. arXiv:2503.14234.
• Song, Y. et al. (2023). Advancements in Complex Knowledge Graph Question Answering: A Survey. DOI:10.3390/electronics12214395.
• Nogueira, R.; Cho, K. (2019). Passage Re‑ranking with BERT. arXiv:1901.04085.
• Hsu, H.‑L.; Tzeng, J. (2025). DAT: Dynamic Alpha Tuning for Hybrid Retrieval in Retrieval‑Augmented Generation. arXiv:2503.23013.
• Lewis, P. et al. (2020). Retrieval‑Augmented Generation for Knowledge‑Intensive NLP Tasks. arXiv:2005.11401.
• Karpukhin, V. et al. (2020). Dense Passage Retrieval for Open‑Domain Question Answering. arXiv:2004.04906.
• Sun, H. et al. (2018). Open‑Domain Question Answering Using Early Fusion of Knowledge Bases and Text (GRAFT‑Net). arXiv:1809.00782.
• Sun, H.; Bedrax‑Weiss, T.; Cohen, W. W. (2019). PullNet: Open‑Domain Question Answering with Iterative Retrieval on Knowledge Bases and Text. arXiv:1904.09537.
• He, X. et al. (2024). G‑Retriever: Retrieval‑Augmented Generation for Textual Graph Understanding and Question Answering. arXiv:2402.07630.
• Es, S.; James, J.; Espinosa‑Anke, L.; Schockaert, S. (2024). RAGAs: Automated Evaluation of Retrieval Augmented Generation. ACL:2024.eacl-demo.16.