--- title: "GraphRAG (HU)" source: "https://systems-analysis.info/int/GraphRAG_(HU)" wiki: "systems-analysis.info/int" article: "GraphRAG_(HU)" language: "hu" categories: - "Category:Hungarian" - "Category:Large language models" - "Category:Prompt engineering" revision_id: 2733 wiki_created_at: 2026-09-06T23:10:13Z wiki_modified_at: 2026-09-06T23:10:13Z downloaded_at: 2026-09-07T22:53:00Z --- # GraphRAG (HU) **GraphRAG** — egy továbbfejlesztett **Retrieval-Augmented Generation (RAG)** paradigma, amelyben a hagyományos, szétszórt szövegtöredékeken (chunkokon) alapuló keresés helyett tudásgráfot (*Knowledge Graph, KG*) alkalmaz[\[1\]](https://systems-analysis.info/int/GraphRAG_(HU)#cite_note-zhang2025-1). A gráfstruktúra explicit módon reprezentálja az entitások közötti kapcsolatokat és a szakterületi fogalmak hierarchiáját, ami lehetővé teszi az LLM számára a többlépéses logikai tudáskinyerést, és kontextuálisan tudatosabb, magyarázhatóbb válaszok előállítását[\[2\]](https://systems-analysis.info/int/GraphRAG_(HU)#cite_note-linkedin2024-2). A GraphRAG megközelítés jelentős előnyt mutat a klasszikus RAG-gal szemben összetett, többlépéses (*multi‑hop*) lekérdezések esetén, ahol a válasz több, különböző dokumentumokban szétszórt tény kombinációjától függ[\[3\]](https://systems-analysis.info/int/GraphRAG_(HU)#cite_note-hu2024-3). ## A klasszikus RAG korlátai és a gráf előnyei A strukturálatlan szövegen alapuló vektoros keresést alkalmazó klasszikus RAG számos alapvető korlátba ütközik, amelyek összetett vállalati forgatókönyvekben kritikussá válnak: - **Strukturális kapcsolatok hiánya:** A hagyományos RAG a szöveges chunkokat izolált egységekként kezeli, és nem látja az explicit kapcsolatokat köztük. Ez hatástalanná teszi a *multi‑hop* lekérdezések esetén, ahol a válaszhoz tények láncolatán kell végighaladni (A→B→C), a keresés viszont csak a kezdő és záró elemet találja meg (A és C), a közbülsőket kihagyva[\[1\]](https://systems-analysis.info/int/GraphRAG_(HU)#cite_note-zhang2025-1). - **Szemantikai kétértelműség:** Szűk szakterületeken (orvostudomány, jogtudomány, mérnöki tudományok) a kifejezéseknek sajátos jelentésük van. A vektoros keresés, bár az általános témát megragadja, téves következtetésre juthat egy adott objektum szerepéről, ami irreleváns kontextus kinyeréséhez vezet. - **Korlátozott magyarázhatóság:** A klasszikus RAG dokumentumrészleteket nyújt, de nem ad explicit bizonyítékot arra, hogyan kapcsolódnak ezek a részletek logikai láncba. A GraphRAG ezzel szemben átláthatóvá teszi ezt a folyamatot: bizonyítékként a gráfban lévő utat szolgáltatja, és megköveteli az állítások forráshoz kötését (hivatkozás)[\[4\]](https://systems-analysis.info/int/GraphRAG_(HU)#cite_note-webgpt-4). **A GraphRAG** ezeket a problémákat azzal oldja meg, hogy a tudást összekapcsolt entitások és relációk hálózataként reprezentálja, lehetővé téve a rendszer számára, hogy ne csupán hasonló szöveget találjon, hanem logikai következtetést hajtson végre a szakterület formalizált modellje alapján. ## A GraphRAG architektúrája A GraphRAG általános folyamata kibővíti a klasszikus RAG-ot a tudásgráf felépítésének és felhasználásának lépéseivel. Két fő szakaszra osztható: offline előkészítés és online lekérdezésfeldolgozás. ### 1. szakasz: Betöltés és indexelés (offline) Ebben a szakaszban a forrásadatok (dokumentumok, adatbázisok) két egymást kiegészítő reprezentációvá alakulnak: gráfos és vektoros. 1. **Tudáskinyerés:** A szövegekből strukturált tények kerülnek kinyerésre egy NLP-folyamat segítségével: - **Named Entity Recognition (NER):** Entitás-előfordulások megtalálása (személyek, szervezetek, termékek). - **Entity Linking (EL):** Az előfordulások összekapcsolása a gráfban lévő kanonikus azonosítókkal a kétértelműség feloldása érdekében (pl. „Kovács J." és „J. Kovács" egyetlen csomóponttá válik)[\[5\]](https://systems-analysis.info/int/GraphRAG_(HU)#cite_note-yang2025-5). - **Relation Extraction (RE):** Entitások közötti relációk feltárása (pl. *X Vállalat* −*megszerezte*→ *Y Startup*). 2. **Gráfmodellezés és tárolás:** A kinyert hármasokat (alany‑állítmány‑tárgy) egy gráfadatbázisba töltik be. A modell megválasztása (**Property Graph** vagy **RDF**) a feladattól függ. Kritikusan fontos minden tény **eredetének** (*provenance*) tárolása — a forrásanyagra és a szövegrészletre mutató hivatkozással együtt[\[3\]](https://systems-analysis.info/int/GraphRAG_(HU)#cite_note-hu2024-3). A gráfhoz **időbeli** (*valid_from/valid_to*) és **megbízhatósági** (*confidence*) metaadatok is adhatók. 3. **Hibrid indexelés:** A gráf mellett vektoros index is készül a forrás szövegtöredékekhez. Ez lehetővé teszi a gráfon alapuló strukturális keresés és a szövegen alapuló szemantikus keresés kombinálását. ### 2. szakasz: Lekérdezésfeldolgozás és válaszgenerálás (online) 1. **Lekérdezés elemzése:** A felhasználói lekérdezést kulcsentitások azonosítása céljából elemzik, amelyek a gráfba való „belépési pontokként" szolgálnak. 2. **Részgráf kinyerése:** Az egyes chunkok keresése helyett a GraphRAG **releváns részgráfot** keres — a „belépési pontok" körüli, a válaszhoz szükséges információkat tartalmazó összefüggő gráfrészletet. Ehhez olyan algoritmusokat használnak, mint a **k‑hop bejárás** vagy a **Personalized PageRank (PPR)**[\[6\]](https://systems-analysis.info/int/GraphRAG_(HU)#cite_note-song2023-6). 3. **Hibrid keresés és eredményegyesítés:** A részgráf kinyerésével párhuzamosan vektoros és/vagy lexikális (BM25) indexen is keresés folyik. A gráfból és a szövegből kapott eredmények egyesítésre kerülnek, és a következő lépésbe kerülnek. 4. **Újrarangsorolás (Re‑ranking):** Az egyesített jelöltlista (gráfcsomópontok és szöveges chunkok) egy pontosabb modellel (pl. cross-encoder) kerül újrarangsorolásra a legrelevánsabb információk kiválasztásához. Ez lehetővé teszi a zaj kiszűrését és a pontosság növelését[\[7\]](https://systems-analysis.info/int/GraphRAG_(HU)#cite_note-nogueira2019-7). 5. **Kontextuscsomagolás és generálás:** A kiválasztott és rangsorolt kontextus (részgráf és szövegek) az LLM számára érthető formátumba alakul (pl. forrásjelöléssel ellátott állítások listája). Ez a gazdagított kontextus kerül a promptba a végső válasz generálásához. 6. **Visszakövetés és hivatkozás:** A gráfban lévő „tény ↔ forrás" kapcsolatnak köszönhetően a generált válasz pontos hivatkozásokat tartalmaz az egyes téziseket alátámasztó dokumentumokra. Ez magas fokú megalapozottságot és átláthatóságot biztosít. ## Komponensek összehasonlító táblázata | Komponens/szempont | Megvalósítási változatok | Előnyök | Hátrányok/kockázatok | Mikor előnyös | |---------------------------------|--------------------------------------------------------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|----------------------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------| | Tudásgráf-modell | **RDF/OWL** | Szigorú ontológia, logikai következtetés (reasoning), kompatibilitás a Linked Open Data-val. | A relációk attribútumainak tárolása (idő, forrás) nehézkes kiegészítő entitások (reifikáció) nélkül. | Szemantikailag gazdag szakterületek meglévő ontológiákkal; ha dedukció szükséges. | | **Property Graph** (Neo4j stb.) | Rugalmasság, tetszőleges tulajdonságok csomópontokon/éleken, magas teljesítmény. | Egyértelmű sémát igényel manuálisan, különben „káosz" kockázata; nincs egységes szabvány. | Gyors indulás strukturálatlan adatokkal; integrálás dokumentumokkal (multi‑model DB). | | | Részgráf kinyerése | **k‑hop BFS / DFS** | Lefedi az összes csomópontot k mélységig, egyszerűen implementálható. | Gráf „robbanása": a csomópontok száma lavinálisan nő; sok zajt adhat vissza. | Kis gráfok vagy 1–2 mélységű bejárás; hierarchikus struktúrák. | | **Personalized PageRank (PPR)** | A valóban kapcsolódó csomópontokra fókuszál, a zaj kiszűrődik[\[6\]](https://systems-analysis.info/int/GraphRAG_(HU)#cite_note-song2023-6). | Kihagyhat egy távolabbi, de fontos csomópontot (ha kevés út vezet oda, de kritikus). | Sok úttal rendelkező összetett hálózatok (szociális gráf, hivatkozási gráf). | | | Hibrid keresés | **Kombinált lista** (skaláris fusion λ súllyal) | A λ súlyok hangolása lehetővé teszi a precision/recall egyensúlyozását a feladatnak megfelelően[\[8\]](https://systems-analysis.info/int/GraphRAG_(HU)#cite_note-hsu2025-8). | A rögzített λ nem optimális minden lekérdezéstípushoz. | Prototipizálás során; ha ismert, hogy az egyik forrás eleve fontosabb. | | **Cross‑encoder rerank** | Jelentős pontosságnövekedés; összetett összefüggések figyelembevételének lehetősége. | Növeli a késleltetést; tanítási adatokat igényel, vagy kész modellek használatát[\[7\]](https://systems-analysis.info/int/GraphRAG_(HU)#cite_note-nogueira2019-7). | Nagy pontosságot igénylő forgatókönyvek (jogtudomány, orvostudomány), ahol a maximálisan releváns kontextus a döntő. | | | Adatbiztonság | **Részgráf-szűrés** (RBAC/ABAC) | Részletes hozzáférés-vezérlés (csomópontszintig) kizárja az adatszivárgást. | „Vakfoltok": ha egy fontos csomópontot kivágnak, a válasz hiányos lehet. | Szigorú hozzáférési követelményekkel rendelkező vállalati környezetekben (PII, GDPR, üzleti titok). | A GraphRAG architektúra kulcskomponenseinek összehasonlító elemzése ## Visszakövetés, megbízhatóság és biztonság A GraphRAG egyik fő előnye az **átlátható bizonyítékláncolatok** bemutatásának lehetősége. A „fekete doboz" jellegű válasz helyett a rendszer képes megmutatni az érvelési utat: „Az A tény szerepel a \[doc1\]-ben. Kapcsolódik a B ténnyel \[doc2\], és a B a \[doc3\] szerint C-hez vezet" — ez növeli a felhasználói bizalmat és megkönnyíti a hibakeresést. Ezenfelül a gráfstruktúra lehetővé teszi a részletes **hozzáférés-vezérlés** (RBAC/ABAC) megvalósítását. A gráf minden csomópontján vagy élén lehet hozzáférési jelölés. A részgráf kinyerésekor a rendszer automatikusan kiszűri azokat az adatokat, amelyekhez a felhasználónak nincs jogosultsága, biztosítva a biztonságot érzékeny területeken (pénzügy, HR, orvostudomány). ## Minőségértékelés A GraphRAG-rendszer értékelése többlépéses, és minden komponenshez tartalmaz metrikákat: - **Tudáskinyerési metrikák:** F1-score a NER és RE számára, a gráffelépítés minőségének értékeléséhez. - **Részgráf-kinyerési metrikák:** *Subgraph Recall@K* (azoknak az eseteknek az aránya, amikor a válaszhoz szükséges csomópontok/élek bekerültek a kinyert részgráfba) és *Path Precision/Recall* multi‑hop kérdéseknél. - **LLM-válasz metrikák:** - **Faithfulness / Groundedness:** mennyire támaszkodik szigorúan a válasz a megadott kontextusra. - **Human evaluation:** szakértői értékelés a helyesség, teljesség és koherencia szempontjai szerint. Az értékelés automatizálásához specializált benchmarkokat (pl. *WebQuestionsSP*, *GrailQA*) és keretrendszereket (pl. *RAGAS*) használnak[\[9\]](https://systems-analysis.info/int/GraphRAG_(HU)#cite_note-ragas2024-9). ## Lásd még - Retrieval‑Augmented Generation (RAG) - Tudásgráf - Vektoros adatbázis - Embedding - AI-ágens - LLM értékelés és benchmarkok ## Irodalom - 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. ## Jegyzetek 1. ↑ [1.0](https://systems-analysis.info/int/GraphRAG_(HU)#cite_ref-zhang2025_1-0) [1.1](https://systems-analysis.info/int/GraphRAG_(HU)#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_(HU)#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_(HU)#cite_ref-hu2024_3-0) [3.1](https://systems-analysis.info/int/GraphRAG_(HU)#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_(HU)#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_(HU)#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_(HU)#cite_ref-song2023_6-0) [6.1](https://systems-analysis.info/int/GraphRAG_(HU)#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_(HU)#cite_ref-nogueira2019_7-0) [7.1](https://systems-analysis.info/int/GraphRAG_(HU)#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_(HU)#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_(HU)#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.