---
title: "GraphRAG"
source: "https://systems-analysis.info/wiki/GraphRAG"
wiki: "systems-analysis.info/wiki"
article: "GraphRAG"
language: "ru"
categories:
  - "Категория:Prompt инжиниринг"
  - "Категория:Russian"
  - "Категория:Большие языковые модели"
revision_id: 116
wiki_created_at: 2026-09-06T21:55:17Z
wiki_modified_at: 2026-09-06T21:55:17Z
downloaded_at: 2026-09-07T22:17:34Z
---

# GraphRAG

**GraphRAG** — это усовершенствованная парадигма **Retrieval-Augmented Generation (RAG)**, в которой вместо традиционного поиска по разрозненным текстовым фрагментам (чанкам) используется знаниевый граф (*Knowledge Graph, KG*)<sup>[\[1\]](https://systems-analysis.info/wiki/GraphRAG#cite_note-zhang2025-1)</sup>. Графовая структура явно представляет связи между сущностями и иерархию доменных понятий, что позволяет [LLM](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели") выполнять многошаговое логическое извлечение знаний и формировать более контекстно‑осведомлённые и объяснимые ответы<sup>[\[2\]](https://systems-analysis.info/wiki/GraphRAG#cite_note-linkedin2024-2)</sup>.

Подход GraphRAG демонстрирует значительное преимущество перед классическим RAG при работе со сложными, многошаговыми (*multi‑hop*) запросами, где ответ зависит от комбинации нескольких фактов, разбросанных по разным документам<sup>[\[3\]](https://systems-analysis.info/wiki/GraphRAG#cite_note-hu2024-3)</sup>.

## Ограничения классического RAG и преимущества графа

Классический RAG, основанный на векторном поиске по неструктурированному тексту, сталкивается с рядом фундаментальных ограничений, которые становятся критичными в сложных корпоративных сценариях:

- **Отсутствие структурных связей:** Традиционный RAG обрабатывает текстовые чанки как изолированные единицы и не видит явных связей между ними. Это делает его неэффективным для *multi‑hop* запросов, где для ответа необходимо пройти по цепочке фактов (A→B→C), а поиск находит только начальное и конечное звенья (A и C), упуская промежуточные<sup>[\[1\]](https://systems-analysis.info/wiki/GraphRAG#cite_note-zhang2025-1)</sup>.
- **Семантическая неоднозначность:** В узкоспециализированных областях (медицина, юриспруденция, инженерия) термины имеют специфические значения. Векторный поиск, улавливая общую тему, может неверно интерпретировать роль конкретного объекта, что приводит к извлечению нерелевантного контекста.
- **Ограниченная объяснимость:** Классический RAG предоставляет фрагменты документов, но не явные доказательства того, как эти фрагменты связаны в логическую цепочку. GraphRAG, напротив, делает этот процесс прозрачным, предоставляя в качестве доказательства путь в графе и требуя привязки утверждений к источникам (цитирование)<sup>[\[4\]](https://systems-analysis.info/wiki/GraphRAG#cite_note-webgpt-4)</sup>.

**GraphRAG** решает эти проблемы, представляя знания в виде сети связанных сущностей и отношений, что позволяет системе не просто находить похожий текст, а выполнять логический вывод на основе формализованной модели предметной области.

## Архитектура GraphRAG

Общий конвейер GraphRAG расширяет классический RAG, добавляя этапы построения и использования графа знаний. Он делится на два основных этапа: оффлайн‑подготовка и онлайн‑обработка запроса.

### Этап 1: Ингест и индексация (оффлайн)

На этом этапе исходные данные (документы, базы данных) преобразуются в два взаимодополняющих представления: графовое и векторное.

1.  **Экстракция знаний:** Из текстов извлекаются структурированные факты с помощью NLP‑конвейера:
    - **Named Entity Recognition (NER):** Нахождение упоминаний сущностей (людей, организаций, продуктов).
    - **Entity Linking (EL):** Связывание упоминаний с каноническими идентификаторами в графе для устранения неоднозначности (например, «Иванов И.И.» и «И. Иванов» становятся одним узлом)<sup>[\[5\]](https://systems-analysis.info/wiki/GraphRAG#cite_note-yang2025-5)</sup>.
    - **Relation Extraction (RE):** Выявление отношений между сущностями (например, *Компания X* −*приобрела*→ *Стартап Y*).
2.  **Моделирование и хранение графа:** Извлечённые тройки (субъект‑предикат‑объект) загружаются в графовую базу данных. Выбор модели (**Property Graph** или **RDF**) зависит от задачи. Критически важно хранить **происхождение** (*provenance*) каждого факта — ссылку на исходный документ и текстовый фрагмент<sup>[\[3\]](https://systems-analysis.info/wiki/GraphRAG#cite_note-hu2024-3)</sup>. В граф также могут быть добавлены метаданные о **времени** (*valid_from/valid_to*) и **достоверности** (*confidence*).
3.  **Гибридная индексация:** Параллельно с графом создаётся векторный индекс для исходных текстовых фрагментов. Это позволяет сочетать структурный поиск по графу с семантическим поиском по тексту.

### Этап 2: Обработка запроса и генерация ответа (онлайн)

1.  **Разбор запроса:** Пользовательский запрос анализируется для выделения ключевых сущностей, которые служат «точками входа» в граф.
2.  **Извлечение подграфа:** Вместо поиска отдельных чанков GraphRAG находит **релевантный подграф** — связанный фрагмент графа вокруг «точек входа», содержащий информацию для ответа. Для этого используются алгоритмы, такие как **k‑hop обход** или **Personalized PageRank (PPR)**<sup>[\[6\]](https://systems-analysis.info/wiki/GraphRAG#cite_note-song2023-6)</sup>.
3.  **Гибридный поиск и слияние результатов:** Параллельно с извлечением подграфа выполняется поиск по векторному и/или лексическому (BM25) индексу. Результаты из графа и текста объединяются и передаются на следующий этап.
4.  **Переранжирование (Re‑ranking):** Объединённый список кандидатов (узлы графа и текстовые чанки) переранжируется с помощью более точной модели (например, кросс‑энкодер) для отбора наиболее релевантной информации. Это позволяет отфильтровать шум и повысить точность<sup>[\[7\]](https://systems-analysis.info/wiki/GraphRAG#cite_note-nogueira2019-7)</sup>.
5.  **Упаковка контекста и генерация:** Отобранный и отранжированный контекст (подграф и тексты) преобразуется в понятный для LLM формат (например, список утверждений с указанием источников). Этот обогащённый контекст подаётся в промпт для генерации финального ответа.
6.  **Трассировка и цитирование:** Благодаря связи «факт ↔ источник» в графе, сгенерированный ответ содержит точные ссылки на документы, подтверждающие каждый тезис. Это обеспечивает высокую обоснованность и прозрачность.

## Сравнительная таблица компонентов

| Компонент/аспект    | Варианты реализации                                                              | Плюсы                                                                                                                                                     | Минусы/риски                                                                                                                                                                 | Когда предпочтительно                                                                          |
|---------------------|----------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|------------------------------------------------------------------------------------------------|
| Модель графа знаний | **RDF/OWL**                                                                      | Строгая онтология, логические выводы (reasoning), совместимость с Linked Open Data.                                                                       | Сложно хранить атрибуты отношений (время, источник) без доп. сущностей (reification).                                                                                        | Семантически богатые домены с существующими онтологиями; требуется дедукция.                   |
|                     | **Property Graph** (Neo4j, etc.)                                                 | Гибкость, произвольные свойства на узлах/рёбрах, высокая производительность.                                                                              | Требует чёткой схемы вручную или риск «беспорядка»; нет единого стандарта.                                                                                                   | Быстрый старт с неструктурированными данными; интеграция с документами (multi‑model DB).       |
| Извлечение подграфа | **k‑hop BFS / DFS**                                                              | Покрывает все узлы до глубины k, прост в реализации.                                                                                                      | «Взрыв» графа: лавинный рост числа узлов; может вернуть много шума.                                                                                                          | Маленькие графы или обход на глубину 1–2; иерархические структуры.                             |
|                     | **Personalized PageRank (PPR)**                                                  | Фокусируется на действительно связанных узлах, шум отсеивается<sup>[\[6\]](https://systems-analysis.info/wiki/GraphRAG#cite_note-song2023-6)</sup>.       | Может пропустить дальний, но важный узел (если мало путей, но он критичен).                                                                                                  | Сложные сети с множеством путей (социальный граф, граф цитирований).                           |
| Гибридный поиск     | **Комбинированный список** (scalar fusion с весом λ)                             | Настройка весов λ позволяет балансировать precision/recall под задачу<sup>[\[8\]](https://systems-analysis.info/wiki/GraphRAG#cite_note-hsu2025-8)</sup>. | Фиксированный λ не оптимален для всех типов запросов.                                                                                                                        | На этапе прототипирования; когда известно, что один источник заведомо важнее.                  |
|                     | **Cross‑[encoder](https://systems-analysis.info/wiki/Encoder "Encoder") rerank** | Существенный прирост точности; возможность учитывать сложные взаимосвязи.                                                                                 | Увеличивает задержку; требует данных для обучения или использования готовых моделей<sup>[\[7\]](https://systems-analysis.info/wiki/GraphRAG#cite_note-nogueira2019-7)</sup>. | High‑precision сценарии (юриспруденция, медицина), где важен максимально релевантный контекст. |
| Безопасность данных | **Фильтрация подграфа** (RBAC/ABAC)                                              | Гранулярный контроль (до уровня узла) исключает утечки.                                                                                                   | «Глухие зоны»: если вырезан важный узел, ответ может стать неполным.                                                                                                         | В корпоративных средах со строгими требованиями к доступу (PII, GDPR, trade secrets).          |

Сравнительный анализ ключевых компонентов архитектуры GraphRAG

## Трассировка, доверие и безопасность

Одно из главных преимуществ GraphRAG — возможность представить **прозрачные цепочки доказательств**. Вместо ответа «чёрного ящика», система может показать путь рассуждения: «Факт A упомянут в \[doc1\]. Он связан с фактом B \[doc2\], а B согласно \[doc3\] приводит к C», — что повышает доверие пользователя и упрощает отладку.

Кроме того, графовая структура позволяет реализовать гранулярное **управление доступом** (RBAC/ABAC). У каждого узла или ребра в графе может быть метка доступа. При извлечении подграфа система автоматически отфильтровывает данные, к которым у пользователя нет прав, обеспечивая безопасность в чувствительных сферах (финансы, HR, медицина).

## Оценка качества

Оценка GraphRAG‑системы является многоэтапной и включает метрики для каждого компонента:

- **Метрики извлечения знаний:** F1‑score для NER и RE, чтобы оценить качество построения графа.
- **Метрики извлечения подграфа:** *Subgraph Recall@K* (доля случаев, когда нужные для ответа узлы/рёбра попали в извлечённый подграф) и *Path Precision/Recall* для multi‑hop вопросов.
- **Метрики ответа LLM:**
  - **Faithfulness / Groundedness:** насколько ответ строго опирается на предоставленный контекст.
  - **Human evaluation:** оценка экспертами по критериям правильности, полноты и связности.

Для автоматизации оценки используются специализированные бенчмарки (например, *WebQuestionsSP*, *GrailQA*) и фреймворки (например, *RAGAS*)<sup>[\[9\]](https://systems-analysis.info/wiki/GraphRAG#cite_note-ragas2024-9)</sup>.

## См. также

- [Retrieval‑Augmented Generation (RAG)](https://systems-analysis.info/wiki/Retrieval%E2%80%91Augmented_Generation_(RAG) "Retrieval‑Augmented Generation (RAG)")
- [Векторные базы данных](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85 "Векторные базы данных")
- [Embedding](https://systems-analysis.info/wiki/Embedding "Embedding")
- [AI-агент](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82 "AI-агент")
- [RAG-паттерны](https://systems-analysis.info/wiki/RAG-%D0%BF%D0%B0%D1%82%D1%82%D0%B5%D1%80%D0%BD%D1%8B "RAG-паттерны")
- [Большие языковые модели](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели")

## Литература

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

## Примечания

1.  <span id="cite_note-zhang2025-1">↑ <sup>[1,0](https://systems-analysis.info/wiki/GraphRAG#cite_ref-zhang2025_1-0)</sup> <sup>[1,1](https://systems-analysis.info/wiki/GraphRAG#cite_ref-zhang2025_1-1)</sup> Zhang, Q., et al. *A Survey of Graph Retrieval-Augmented Generation for Customized Large Language Models*. arXiv, 2025. <a href="https://arxiv.org/abs/2501.13958" class="external text" rel="nofollow">arXiv:2501.13958</a>.</span>
2.  <span id="cite_note-linkedin2024-2">[↑](https://systems-analysis.info/wiki/GraphRAG#cite_ref-linkedin2024_2-0) Xu, Z., et al. *Retrieval-Augmented Generation with Knowledge Graphs for Customer Service Question Answering*. SIGIR, 2024. <a href="https://arxiv.org/abs/2404.17723" class="external text" rel="nofollow">arXiv:2404.17723</a>; DOI: <a href="https://dl.acm.org/doi/10.1145/3626772.3661370" class="external text" rel="nofollow">10.1145/3626772.3661370</a>.</span>
3.  <span id="cite_note-hu2024-3">↑ <sup>[3,0](https://systems-analysis.info/wiki/GraphRAG#cite_ref-hu2024_3-0)</sup> <sup>[3,1](https://systems-analysis.info/wiki/GraphRAG#cite_ref-hu2024_3-1)</sup> Hu, Y., et al. *GRAG: Graph Retrieval‑Augmented Generation*. arXiv, 2024. <a href="https://arxiv.org/abs/2405.16506" class="external text" rel="nofollow">arXiv:2405.16506</a>; также в Findings of NAACL 2025: <a href="https://aclanthology.org/2025.findings-naacl.232/" class="external text" rel="nofollow">ACL Anthology</a>.</span>
4.  <span id="cite_note-webgpt-4">[↑](https://systems-analysis.info/wiki/GraphRAG#cite_ref-webgpt_4-0) Nakano, R., et al. *WebGPT: Browser‑assisted question‑answering with human feedback*. arXiv, 2021. <a href="https://arxiv.org/abs/2112.09332" class="external text" rel="nofollow">arXiv:2112.09332</a>.</span>
5.  <span id="cite_note-yang2025-5">[↑](https://systems-analysis.info/wiki/GraphRAG#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. <a href="https://arxiv.org/abs/2503.14234" class="external text" rel="nofollow">arXiv:2503.14234</a>.</span>
6.  <span id="cite_note-song2023-6">↑ <sup>[6,0](https://systems-analysis.info/wiki/GraphRAG#cite_ref-song2023_6-0)</sup> <sup>[6,1](https://systems-analysis.info/wiki/GraphRAG#cite_ref-song2023_6-1)</sup> Song, Y., Li, W., Dai, G., Shang, X. *Advancements in Complex Knowledge Graph Question Answering: A Survey*. *Electronics*, 2023. DOI: <a href="https://doi.org/10.3390/electronics12214395" class="external text" rel="nofollow">10.3390/electronics12214395</a>.</span>
7.  <span id="cite_note-nogueira2019-7">↑ <sup>[7,0](https://systems-analysis.info/wiki/GraphRAG#cite_ref-nogueira2019_7-0)</sup> <sup>[7,1](https://systems-analysis.info/wiki/GraphRAG#cite_ref-nogueira2019_7-1)</sup> Nogueira, R., Cho, K. *Passage Re‑ranking with BERT*. arXiv, 2019. <a href="https://arxiv.org/abs/1901.04085" class="external text" rel="nofollow">arXiv:1901.04085</a>.</span>
8.  <span id="cite_note-hsu2025-8">[↑](https://systems-analysis.info/wiki/GraphRAG#cite_ref-hsu2025_8-0) Hsu, H.‑L.; Tzeng, J. *DAT: Dynamic Alpha Tuning for Hybrid Retrieval in Retrieval‑Augmented Generation*. arXiv, 2025. <a href="https://arxiv.org/abs/2503.23013" class="external text" rel="nofollow">arXiv:2503.23013</a>.</span>
9.  <span id="cite_note-ragas2024-9">[↑](https://systems-analysis.info/wiki/GraphRAG#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. <a href="https://aclanthology.org/2024.eacl-demo.16/" class="external text" rel="nofollow">ACL:2024.eacl-demo.16</a>; также preprint: <a href="https://arxiv.org/abs/2309.15217" class="external text" rel="nofollow">arXiv:2309.15217</a>.</span>