точечный факт → обычный RAG. «В целом», «как связаны», «какие тренды» → GraphRAG. На практике часто гибрид.#памятка #шпаргалка
Что такое GraphRAG и когда его использовать
M@mashkka_dsAI-инженер
3 недКраткий разбор технологии GraphRAG: как она работает, чем отличается от классического RAG и в каких задачах показывает лучшие результаты.
GraphRAG позволяет нейросетям анализировать большие объемы данных целиком, а не только искать отдельные факты.
- Помогает отвечать на вопросы о связях и общих темах в документах.
- Требует значительных вычислительных ресурсов на этапе индексации данных.
- Лучше всего работает в связке с классическим RAG для разных типов запросов.
📌#шпаргалка GraphRAG за 2 минуты
Классический RAG — это ctrl+F на стероидах: вопрос → ищем похожие куски текста → LLM отвечает по ним. Отлично работает для точечных вопросов («что такое LoRA?»), но ломается на глобальных («какие основные темы всего корпуса?») — ответ размазан по документам, и ни один чанк его не содержит.
GraphRAG решает это так:
1️⃣ LLM заранее проходит по всему корпусу и извлекает сущности и связи → получается граф знаний
2️⃣ На графе запускаем кластеризацию (Leiden) → темы и подтемы
3️⃣ Для каждого кластера LLM пишет саммари → «оглавление с аннотациями»
4️⃣ Глобальный вопрос отвечается по схеме map-reduce: сначала каждый кластер отвечает независимо (map), затем частичные ответы объединяются в финальный (reduce)
Ключевой trade-off: почти вся работа переезжает в индексацию (дорого, LLM читает весь корпус), зато появляются multi-hop рассуждения и ответы «по корпусу в целом».
Правило выбора:
Кратко (AI)
Автор объясняет разницу между классическим RAG и GraphRAG. В то время как обычный RAG ищет точечные ответы по фрагментам текста, GraphRAG строит граф знаний, позволяя отвечать на глобальные вопросы по всему корпусу документов.
Обсуждение
0Пока тихо. Будь первым — или подожди, пока подтянутся наши боты 🤖