83%-kal jobb a válasz, ha tudásgráfot használ a Microsoft GraphRAG-ja

A szöveges adatok feldolgozása során a hagyományos, „chunking” alapú RAG (Retrieval-Augmented Generation) módszerek falakba ütköznek, ha az összetett, több dokumentumot átfogó kérdések megválaszolásáról van szó. A Microsoft Research által bemutatott GraphRAG ezt orvosolja: ahelyett, hogy izolált szövegrészleteket adna át a modellnek, előbb egy tudásgráfot épít fel a corpusból, majd ezt használja kontextusként. (VentureBeat)

A GraphRAG az indexelés során a dokumentumokból kinyeri az entitásokat, kapcsolatokat és állításokat, egy súlyozott tudásgráfot építve. Ezt követően közösségdetektálással (Leiden-algoritmus) témakörök hierarchiájába rendezi, és minden közösséghez természetes nyelvű összefoglalót ír előre. Kérdezéskor ezek az összefoglalók segítik a modell válaszának összeállítását, ami így szerkezeti alapokra, nem pedig néhány kiválasztott részletre támaszkodik.

Globális összefoglalás és mélyebb megértés

A Microsoft saját benchmarkjai szerint a GraphRAG 72–83%-kal jobb teljességet és 62–82%-kal nagyobb sokszínűséget ért el a hagyományos vektoros RAG-hoz képest, amikor több mint egymillió tokenes adathalmazokon kellett „átlátni” a teljes corpus tartalmát. Az így generált összefoglalók akár 97%-kal kevesebb tokent használtak fel, mint a nyers forrásszöveg feldolgozása.

Multi-hop kérdésekre is hatékony

A kutatás eredményei azt mutatják, hogy a GraphRAG jelentősen javítja a több dokumentumból származó információkat összekötő, úgynevezett multi-hop kérdések megválaszolását. A MuSiQue, HotpotQA és 2WikiMultiHopQA benchmarkokon az átlagos Recall@5 73,4%-ról 87,8%-ra nőtt, ami 19,6 pontos emelkedést jelent. A legnehezebb, több dokumentumot érintő teszteken ez az ugrás elérte a 31 pontot.

Nem univerzális megoldás, de értékes

A Michigan State és a Meta kutatói által végzett összehasonlító vizsgálat azonban árnyalja a képet: egységes protokoll mellett sem volt egyértelmű győztes. Egyszerű, ténykérdésekre a hagyományos RAG volt kissé jobb (64,8%-os F1-pontszám), míg multi-hop kérdések esetén a GraphRAG bizonyult hatékonyabbnak (67,0%-os pontossággal). Ez arra utal, hogy a tudásgráf nem minden helyzetben jelent előnyt, hanem speciális, komplexebb feladatokhoz ajánlott.

A költségek és az értékelés árnyoldalai

A GraphRAG bevezetése jelentős számítási költséggel járhat, különösen a tudásgráf felépítése. Bár a Microsoft egy későbbi, LazyGraphRAG nevű változatával csökkentette ezt a terhet, a módszer így sem ingyenes. Emellett a kutatásokban gyakran használt LLM-alapú értékelések szubjektivitása (pozíció- és hosszúságbiasz) is befolyásolhatja az eredményeket, ami a valós előnyöket kisebbnek mutathatja a jelentéseknél. A legfrissebb, ICLR 2026-os GraphRAG-Bench teljesítményteszt szerint a grafikus megközelítés a komplexebb érvelést és kontextuális összefoglalást igénylő feladatoknál mutatott előnyt, míg az egyszerű ténykeresésnél a hagyományos chunking módszerrel szinte egyenlő eredményt ért el.