Проблема baseline RAG
Top-k chunks хорошо отвечают на локальный факт, но хуже связывают разнесённые сведения и описывают темы всего корпуса. GraphRAG извлекает явные entities, relationships и claims.
Как строится индекс
Текст делится на TextUnits, модель извлекает сущности и связи, затем граф кластеризуется, а communities получают summaries. Производные таблицы и embeddings должны быть привязаны к версии исходного корпуса.
Local Search
Локальный режим начинает с конкретной сущности и собирает соседние отношения, claims и text units. Он подходит для вопроса о человеке, организации или объекте и требует контроля context budget.
Global Search
Глобальный режим использует community reports и map-reduce для вопросов о темах всего набора. Он ресурсоёмок и не нужен для простого поиска одного факта.
DRIFT и Basic
DRIFT сочетает локальную сущность с community context и follow-up вопросами. Basic Search оставляет обычный vector baseline. Router должен выбирать самый простой достаточный метод.
Стоимость и ошибки извлечения
LLM-вызовы при индексации могут быть дорогими, а ошибочная связь распространяется в summaries. Начните с малого корпуса, сохраняйте provenance и проверяйте entities, duplicates и claims.
Оценка и обновления
Сравните GraphRAG с baseline на local, global и multi-hop вопросах. Измеряйте correctness, coverage, citations, latency и indexing cost. При обновлении отслеживайте stale communities и совместимость версий.