--- title: "GraphRAG (BG)" source: "https://systems-analysis.info/int/GraphRAG_(BG)" wiki: "systems-analysis.info/int" article: "GraphRAG_(BG)" language: "bg" categories: - "Category:Bulgarian" - "Category:Large language models" - "Category:Prompt engineering" revision_id: 2724 wiki_created_at: 2026-09-06T23:10:04Z wiki_modified_at: 2026-09-06T23:10:04Z downloaded_at: 2026-09-07T22:52:56Z --- # GraphRAG (BG) **GraphRAG** — това е усъвършенствана парадигма **Retrieval-Augmented Generation (RAG)**, при която вместо традиционното търсене по разпръснати текстови фрагменти (чанкове) се използва граф на знанията (*Knowledge Graph, KG*)[\[1\]](https://systems-analysis.info/int/GraphRAG_(BG)#cite_note-zhang2025-1). Графовата структура явно представя връзките между обектите и йерархията на домейновите понятия, което позволява на LLM да извършва многостъпково логическо извличане на знания и да формира по-контекстно-осъзнати и обясними отговори[\[2\]](https://systems-analysis.info/int/GraphRAG_(BG)#cite_note-linkedin2024-2). Подходът GraphRAG демонстрира значително предимство пред класическия RAG при работа със сложни, многостъпкови (*multi‑hop*) заявки, при които отговорът зависи от комбинация от няколко факта, разпръснати из различни документи[\[3\]](https://systems-analysis.info/int/GraphRAG_(BG)#cite_note-hu2024-3). ## Ограничения на класическия RAG и предимства на графа Класическият RAG, основан на векторно търсене по неструктуриран текст, се сблъсква с редица фундаментални ограничения, които стават критични в сложни корпоративни сценарии: - **Липса на структурни връзки:** Традиционният RAG обработва текстовите чанкове като изолирани единици и не вижда явните връзки между тях. Това го прави неефективен за *multi‑hop* заявки, при които за отговор е необходимо да се премине по верига от факти (A→B→C), а търсенето намира само началното и крайното звено (A и C), пропускайки междинните[\[1\]](https://systems-analysis.info/int/GraphRAG_(BG)#cite_note-zhang2025-1). - **Семантична неяснота:** В тясно специализирани области (медицина, юриспруденция, инженерство) термините имат специфични значения. Векторното търсене, улавяйки общата тема, може да интерпретира погрешно ролята на конкретен обект, което води до извличане на нерелевантен контекст. - **Ограничена обяснимост:** Класическият RAG предоставя фрагменти от документи, но не явни доказателства за това как тези фрагменти се свързват в логическа верига. GraphRAG, напротив, прави този процес прозрачен, предоставяйки като доказателство пътя в графа и изисквайки обвързване на твърденията с източници (цитиране)[\[4\]](https://systems-analysis.info/int/GraphRAG_(BG)#cite_note-webgpt-4). **GraphRAG** решава тези проблеми, представяйки знанията като мрежа от свързани обекти и отношения, което позволява на системата не просто да намира подобен текст, а да извършва логически извод на база формализиран модел на предметната област. ## Архитектура на GraphRAG Общият конвейер на GraphRAG разширява класическия RAG, добавяйки етапи за изграждане и използване на граф на знанията. Той се разделя на два основни етапа: офлайн-подготовка и онлайн-обработка на заявката. ### Етап 1: Инжест и индексиране (офлайн) На този етап изходните данни (документи, бази данни) се преобразуват в две взаимодопълващи се представяния: графово и векторно. 1. **Извличане на знания:** От текстовете се извличат структурирани факти чрез NLP‑конвейер: - **Named Entity Recognition (NER):** Намиране на споменавания на обекти (хора, организации, продукти). - **Entity Linking (EL):** Свързване на споменаванията с канонични идентификатори в графа за премахване на неяснотата (например, „Иванов И.И." и „И. Иванов" стават един възел)[\[5\]](https://systems-analysis.info/int/GraphRAG_(BG)#cite_note-yang2025-5). - **Relation Extraction (RE):** Идентифициране на отношения между обекти (например, *Компания X* −*придоби*→ *Стартъп Y*). 2. **Моделиране и съхранение на графа:** Извлечените тройки (субект‑предикат‑обект) се зареждат в графова база данни. Изборът на модел (**Property Graph** или **RDF**) зависи от задачата. Критично важно е да се съхранява **произходът** (*provenance*) на всеки факт — препратка към изходния документ и текстовия фрагмент[\[3\]](https://systems-analysis.info/int/GraphRAG_(BG)#cite_note-hu2024-3). Към графа могат да бъдат добавени и метаданни за **времето** (*valid_from/valid_to*) и **достоверността** (*confidence*). 3. **Хибридно индексиране:** Паралелно с графа се създава векторен индекс за изходните текстови фрагменти. Това позволява съчетаване на структурното търсене по графа със семантичното търсене по текст. ### Етап 2: Обработка на заявката и генериране на отговор (онлайн) 1. **Разбор на заявката:** Потребителската заявка се анализира за извличане на ключови обекти, които служат като „входни точки" в графа. 2. **Извличане на подграф:** Вместо търсене на отделни чанкове, GraphRAG намира **релевантен подграф** — свързан фрагмент от графа около „входните точки", съдържащ информацията за отговора. За целта се използват алгоритми като **k‑hop обхождане** или **Personalized PageRank (PPR)**[\[6\]](https://systems-analysis.info/int/GraphRAG_(BG)#cite_note-song2023-6). 3. **Хибридно търсене и сливане на резултатите:** Паралелно с извличането на подграфа се извършва търсене по векторния и/или лексикалния (BM25) индекс. Резултатите от графа и текста се обединяват и се предават на следващия етап. 4. **Преранжиране (Re‑ranking):** Обединеният списък с кандидати (възли на графа и текстови чанкове) се преранжира с помощта на по-точен модел (например, кросс-енкодер) за подбор на най-релевантната информация. Това позволява филтриране на шума и повишаване на точността[\[7\]](https://systems-analysis.info/int/GraphRAG_(BG)#cite_note-nogueira2019-7). 5. **Опаковане на контекста и генериране:** Подбраният и преранжиран контекст (подграф и текстове) се преобразува в разбираем за LLM формат (например, списък от твърдения с посочване на източници). Този обогатен контекст се подава в prompt за генериране на финалния отговор. 6. **Трасиране и цитиране:** Благодарение на връзката „факт ↔ източник" в графа, генерираният отговор съдържа точни препратки към документите, потвърждаващи всяко твърдение. Това осигурява висока обоснованост и прозрачност. ## Сравнителна таблица на компонентите | Компонент/аспект | Варианти на реализация | Плюсове | Минуси/рискове | Кога е за предпочитане | |----------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------|-------------------------------------------------------------------------------------| | Модел на граф на знанията | **RDF/OWL** | Строга онтология, логически изводи (reasoning), съвместимост с Linked Open Data. | Трудно се съхраняват атрибути на отношения (време, източник) без допълнителни обекти (reification). | Семантично богати домейни със съществуващи онтологии; изисква се дедукция. | | **Property Graph** (Neo4j, etc.) | Гъвкавост, произволни свойства на възли/ребра, висока производителност. | Изисква ясна схема ръчно или риск от „безпорядък\\; няма единен стандарт. | Бърз старт с неструктурирани данни; интеграция с документи (multi‑model DB). | | | Извличане на подграф | **k‑hop BFS / DFS** | Покрива всички възли до дълбочина k, прост за реализация. | „Взрив" на графа: лавинен ръст на броя възли; може да върне много шум. | Малки графове или обхождане на дълбочина 1–2; йерархични структури. | | **Personalized PageRank (PPR)** | Фокусира се върху действително свързаните възли, шумът се отсява[\[6\]](https://systems-analysis.info/int/GraphRAG_(BG)#cite_note-song2023-6). | Може да пропусне отдалечен, но важен възел (ако пътищата са малко, но той е критичен). | Сложни мрежи с множество пътища (социален граф, граф на цитирания). | | | Хибридно търсене | **Комбиниран списък** (scalar fusion с тегло λ) | Настройката на теглата λ позволява баланс на precision/recall според задачата[\[8\]](https://systems-analysis.info/int/GraphRAG_(BG)#cite_note-hsu2025-8). | Фиксираното λ не е оптимално за всички типове заявки. | На етапа на прототипиране; когато е известно, че един източник е заведомо по-важен. | | **Cross‑encoder rerank** | Съществен ръст на точността; възможност за отчитане на сложни взаимовръзки. | Увеличава латентността; изисква данни за обучение или използване на готови модели[\[7\]](https://systems-analysis.info/int/GraphRAG_(BG)#cite_note-nogueira2019-7). | High‑precision сценарии (юриспруденция, медицина), където е важен максимално релевантният контекст. | | | Сигурност на данните | **Филтриране на подграф** (RBAC/ABAC) | Гранулярен контрол (до ниво на възел) изключва изтичания. | „Слепи зони": ако важен възел е отрязан, отговорът може да стане непълен. | В корпоративни среди със строги изисквания за достъп (PII, GDPR, търговски тайни). | Сравнителен анализ на ключовите компоненти на архитектурата на GraphRAG ## Трасиране, доверие и сигурност Едно от главните предимства на GraphRAG е възможността да се представят **прозрачни вериги от доказателства**. Вместо отговор от „черна кутия", системата може да покаже пътя на разсъждението: „Факт A е споменат в \[doc1\]. Той е свързан с факт B \[doc2\], а B според \[doc3\] води до C" — което повишава доверието на потребителя и опростява отстраняването на грешки. Освен това графовата структура позволява реализиране на гранулярно **управление на достъпа** (RBAC/ABAC). Всеки възел или ребро в графа може да има етикет за достъп. При извличане на подграфа системата автоматично филтрира данните, до които потребителят няма права, осигурявайки сигурност в чувствителни области (финанси, HR, медицина). ## Оценка на качеството Оценката на GraphRAG‑системата е многоетапна и включва метрики за всеки компонент: - **Метрики за извличане на знания:** F1‑score за NER и RE, за оценка на качеството на изграждане на графа. - **Метрики за извличане на подграф:** *Subgraph Recall@K* (дялът от случаите, при които необходимите за отговора възли/ребра са попаднали в извлечения подграф) и *Path Precision/Recall* за multi‑hop въпроси. - **Метрики за отговора на LLM:** - **Faithfulness / Groundedness:** доколко отговорът се опира строго на предоставения контекст. - **Human evaluation:** оценка от експерти по критерии за правилност, пълнота и свързаност. За автоматизация на оценката се използват специализирани benchmark-ове (например, *WebQuestionsSP*, *GrailQA*) и фреймуърки (например, *RAGAS*)[\[9\]](https://systems-analysis.info/int/GraphRAG_(BG)#cite_note-ragas2024-9). ## Вижте също - Retrieval‑Augmented Generation (RAG) - Граф на знанията - Векторна база данни - Embedding - AI-агент - Оценка и benchmark-ове на LLM ## Литература - 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. ## Бележки 1. ↑ [1.0](https://systems-analysis.info/int/GraphRAG_(BG)#cite_ref-zhang2025_1-0) [1.1](https://systems-analysis.info/int/GraphRAG_(BG)#cite_ref-zhang2025_1-1) Zhang, Q., et al. *A Survey of Graph Retrieval-Augmented Generation for Customized Large Language Models*. arXiv, 2025. arXiv:2501.13958. 2. [↑](https://systems-analysis.info/int/GraphRAG_(BG)#cite_ref-linkedin2024_2-0) Xu, Z., et al. *Retrieval-Augmented Generation with Knowledge Graphs for Customer Service Question Answering*. SIGIR, 2024. arXiv:2404.17723; DOI: 10.1145/3626772.3661370. 3. ↑ [3.0](https://systems-analysis.info/int/GraphRAG_(BG)#cite_ref-hu2024_3-0) [3.1](https://systems-analysis.info/int/GraphRAG_(BG)#cite_ref-hu2024_3-1) Hu, Y., et al. *GRAG: Graph Retrieval‑Augmented Generation*. arXiv, 2024. arXiv:2405.16506; также в Findings of NAACL 2025: ACL Anthology. 4. [↑](https://systems-analysis.info/int/GraphRAG_(BG)#cite_ref-webgpt_4-0) Nakano, R., et al. *WebGPT: Browser‑assisted question‑answering with human feedback*. arXiv, 2021. arXiv:2112.09332. 5. [↑](https://systems-analysis.info/int/GraphRAG_(BG)#cite_ref-yang2025_5-0) Yang, R., et al. *KG‑IRAG: A Knowledge Graph‑Based Iterative Retrieval‑Augmented Generation Framework for Temporal Reasoning*. arXiv, 2025. arXiv:2503.14234. 6. ↑ [6.0](https://systems-analysis.info/int/GraphRAG_(BG)#cite_ref-song2023_6-0) [6.1](https://systems-analysis.info/int/GraphRAG_(BG)#cite_ref-song2023_6-1) Song, Y., Li, W., Dai, G., Shang, X. *Advancements in Complex Knowledge Graph Question Answering: A Survey*. *Electronics*, 2023. DOI: 10.3390/electronics12214395. 7. ↑ [7.0](https://systems-analysis.info/int/GraphRAG_(BG)#cite_ref-nogueira2019_7-0) [7.1](https://systems-analysis.info/int/GraphRAG_(BG)#cite_ref-nogueira2019_7-1) Nogueira, R., Cho, K. *Passage Re‑ranking with BERT*. arXiv, 2019. arXiv:1901.04085. 8. [↑](https://systems-analysis.info/int/GraphRAG_(BG)#cite_ref-hsu2025_8-0) Hsu, H.‑L.; Tzeng, J. *DAT: Dynamic Alpha Tuning for Hybrid Retrieval in Retrieval‑Augmented Generation*. arXiv, 2025. arXiv:2503.23013. 9. [↑](https://systems-analysis.info/int/GraphRAG_(BG)#cite_ref-ragas2024_9-0) Es, S.; James, J.; Espinosa Anke, L.; Schockaert, S. *RAGAs: Automated Evaluation of Retrieval Augmented Generation*. EACL (System Demonstrations), 2024. ACL:2024.eacl-demo.16; также preprint: arXiv:2309.15217.