Не каждому вопросу нужен граф

В обычном RAG система находит подходящие фрагменты документов и передаёт их языковой модели. Для вопроса «какой срок поставки указан в договоре?» этого часто достаточно. Иная задача — понять, какие поставщики связаны с просроченными партиями, какие договорные исключения действовали в тот момент и где в переписке согласовали изменение условий. Ответ разнесён по договорам, письмам и журналам операций. Сходство текста не всегда обнаруживает цепочку связей.

GraphRAG — один из способов заранее извлечь из корпуса сущности и отношения, объединить их в граф и подготовить сводки его сообществ. При запросе система ищет не только похожие отрывки, но и связанные узлы либо сводки. Это не «более умный RAG по умолчанию»: за дополнительный слой данных платят вычислениями, сопровождением и проверкой качества.

Проект Microsoft GraphRAG описывает четыре режима запроса. Basic Search ближе к обычному поиску по фрагментам; Local Search исследует окружение конкретных сущностей; Global Search опирается на сводки сообществ для вопросов о корпусе в целом; DRIFT совмещает локальную отправную точку с более широким контекстом. Их нельзя считать взаимозаменяемыми: режим подбирают по типу вопроса, а не по модному названию.

Где бизнес-выигрыш возможен

Подход интересен там, где сотрудники регулярно соединяют сведения из нескольких источников:

  • закупки: связь поставщика, номенклатуры, инцидента качества и условий договора;
  • сервис: путь от модели оборудования и версии узла до истории ремонта и бюллетеней;
  • комплаенс: сопоставление внутреннего правила, исключения и подтверждающих документов;
  • аналитика отзывов: повторяющиеся темы во множестве обращений, а не одно точное совпадение.

Это примеры подходящих задач, а не опубликованные результаты внедрения. Если вопросы в основном требуют найти одно поле в одном документе, сначала настройте гибридный поиск и ссылки на исходные фрагменты. Граф может увеличить стоимость и число ошибок без заметного улучшения.

Независимое исследование методов graph-based RAG, опубликованное в Proceedings of the VLDB Endowment, показывает неодинаковые результаты на разных типах вопросов: графовые методы не выигрывают у обычного RAG в каждом тесте. Авторы также сравнивают время и расход токенов; простые подходы часто экономнее. Значит, покупка «графовой архитектуры» без набора собственных контрольных вопросов — плохой способ проверить её пользу.

Как устроить контур

Минимальная схема начинается не с графовой базы, а с управляемого корпуса. Нужны версии документов, даты действия, владельцы и права доступа. Затем документы разбивают на фрагменты, извлекают сущности и отношения, сохраняют связи с исходными фрагментами, строят сообщества и сводки. Поисковый слой возвращает доказательства, а модель формирует черновик ответа; сотрудник принимает решение там, где цена ошибки существенна.

Для пилота достаточно отдельно хранить оригиналы, результаты извлечения, граф, индекс для поиска и журнал качества. Сам Microsoft GraphRAG пишет результаты индексации в табличные артефакты Parquet и поддерживает подключение хранилища векторов. Это не предписание немедленно вводить ещё один постоянный сервер: выбор хранилищ зависит от уже существующей инфраструктуры и объёма данных.

Локальное развёртывание возможно, но его нельзя обещать одной настройкой. Документация проекта допускает другие модели через LiteLLM и прокси, включая Ollama, однако предупреждает о сбоях формата JSON. Модель для извлечения должна устойчиво возвращать структуру по схеме; отдельно проверьте качество на русских названиях, сокращениях, артикулах и неоднозначных организациях. Если она путает сущности, граф уверенно размножит ошибку на последующих этапах.

Цена возникает до первого ответа

У обычного RAG основные стартовые затраты связаны с подготовкой документов и эмбеддингами. В стандартном GraphRAG добавляются вызовы модели для извлечения и описания сущностей и отношений, а затем сводки сообществ. Microsoft прямо предупреждает, что индексация может быть дорогой; в документации графовое извлечение оценено примерно в 75% стоимости стандартной индексации. Более быстрый FastGraphRAG заменяет часть работы NLP-методами, но может дать более шумный граф.

Простейший модельный расчёт, не тариф и не результат проекта: допустим, пилот содержит 10 000 текстовых единиц, на каждую приходится один вызов с 1 200 входными и 300 выходными токенами. Только этот этап даст 15 млн токенов. Сводки, повторы, настройка подсказок, эмбеддинги и переиндексация сюда не вошли. При локальной модели вместо счёта за API появляются время GPU, электроэнергия, очередь запросов и работа инженера. Важно считать стоимость принятого ответа на нужный класс вопросов, а не стоимость одного красивого графа.

Есть и операционная цена. Изменение исходного договора может сделать устаревшими отношения и сводки, которые от него зависят. Следовательно, нужны правила обновления, удаления и сверки индекса с первоисточниками. Граф сам по себе не гарантирует актуальность.

Права и проверяемость

Извлечённые связи могут быть чувствительнее отдельных документов: граф выявляет партнёров, роли и цепочки согласований. Права доступа надо применять до выдачи графового контекста модели и повторно проверять при открытии исходного доказательства. Нельзя «скрыть» чужой документ только инструкцией в системном промпте. Для разных организаций или отделов проверьте отрицательные сценарии: видит ли пользователь связь, построенную из недоступного ему источника; остаётся ли она после отзыва доступа или удаления документа.

В ответе должна быть не только связная история, но и ссылки на конкретные версии документов. Отдельно оценивайте ошибочные рёбра: если модель связала однофамильцев или похожие артикулы, убедительный ответ становится опаснее простого «не найдено». Там, где решение юридически или финансово значимо, оставляйте человека в контуре.

Пилот без большой ставки

Возьмите ограниченный набор документов одного процесса и заранее соберите контрольные вопросы: простые факты, многошаговые связи и темы по всему корпусу. Для каждой группы зафиксируйте правильные доказательства и допустимый ответ «недостаточно данных». Сравните базовый гибридный RAG и GraphRAG на одинаковом корпусе и, насколько возможно, одинаковой модели. Измерьте долю подтверждённых ответов, ошибки связей, время ответа на 95-м процентиле, часы индексации и труд эксперта.

Решение о переходе принимайте только если прирост на действительно многошаговых вопросах окупает дополнительные расходы и не ухудшает разграничение доступа. Если выгоды нет, сохраните обычный RAG и улучшайте качество документов и поиска. Microsoft характеризует свой репозиторий как исследовательский проект в режиме сопровождения, а не как поддерживаемый корпоративный продукт; это отдельный риск для планирования эксплуатации.

Схема на обложке взята из официальной документации Microsoft GraphRAG: © Microsoft Corporation, MIT License; изображение аккуратно обрезано до квадрата без дорисовки.