GraphRAG (Graf Tabanlı RAG)

#GraphRAG #RAG #KnowledgeGraph #Microsoft #VektörArama #LLM

GraphRAG, Microsoft Research tarafından 2024'te tanıtılan ve geleneksel Retrieval Augmented Generation (RAG) sistemini bilgi grafı (knowledge graph) ile güçlendiren bir yaklaşımdır.

GraphRAG, Microsoft Research tarafından 2024'te tanıtılan ve geleneksel Retrieval Augmented Generation (RAG) sistemini bilgi grafı (knowledge graph) ile güçlendiren bir yaklaşımdır. Klasik RAG'de belgeler parçalara bölünüp vektör arama ile getirilen chunk'lar doğrudan modele verilir. GraphRAG ise metin içindeki varlıkları (entity) ve aralarındaki ilişkileri bir grafta depolar; sorgular bu grafı gezerek bütünsel bir bağlam oluşturur. Böylece tüm belgeler boyunca tematik sorular yanıtlamada standart RAG'den üstün performans gösterir.

account_tree GraphRAG Nasıl Çalışır?

GraphRAG iki aşamada çalışır. Hazırlık: belgeler LLM ile analiz edilir; varlıklar (kişi, yer, kavram), ilişkiler ve özetler çıkarılarak bir bilgi grafına eklenir. Sorgu: kullanıcı sorusu için grafta topluluk özetleri (community summaries) oluşturulur ve bu özetler global bir yanıt üretmek üzere LLM'e verilir. Microsoft'un orijinal implementasyonu lokal ve global arama modları sunar.

GraphRAG vs. Standart RAG

search Standart RAG

Vektör benzerliğiyle en ilgili chunk'ları getirir. Yerel, spesifik sorularda güçlüdür. Küresel/tematik sorularda yetersiz kalır.

hub GraphRAG

Varlık ilişkilerini ve topluluk özetlerini kullanır. Tematik ve çok-belge soruları yanıtlar; maliyet ve işlem süresi daha yüksektir.

merge Hibrit Yaklaşım

Yerel sorular için vektör RAG, küresel sorular için GraphRAG birlikte kullanılır. LlamaIndex ve LangChain her ikisini destekler.

GraphRAG Mimarisi

  • check_circle Bilgi Grafiği İndeksleme: Belgeler LLM ile analiz edilir; varlıklar (kişi, yer, kavram) çıkarılır. İlişkiler: varlıklar arası bağ (A çalışır B'de, X içerir Y'yi). Topluluk tespiti: Leiden veya Louvain algoritması ile varlık grupları. Hiyerarşi: topluluk özetleri oluşturulur — çok düzeyli sorgulama için.
  • check_circle Sorgu Türleri: Global sorgu: 'Bu belge koleksiyonunun ana temaları neler?' — topluluk özetleri toplanır, LLM sentezler. Lokal sorgu: belirli varlık hakkında — ilgili düğüm ve komşulardan bağlam çekilir. Global RAG'dan üstün: tüm belge koleksiyonu hakkında genel soru sorulabilir.
  • check_circle Microsoft GraphRAG vs Standart RAG: Standart RAG: chunk tabanlı vektör arama — lokal bilgi güçlü. GraphRAG: grafik tabanlı topluluk özetleri — global anlayış güçlü. Maliyet: indeksleme aşamasında çok LLM çağrısı — pahalı. Araçlar: Microsoft GraphRAG kütüphanesi (Python, açık kaynak).

GraphRAG Kullanım Alanları ve Sınırları

GraphRAG, Microsoft Research tarafından 2024'te yayımlanan makalede tanıtıldı. Kullanım alanları: büyük belge koleksiyonu (yüzlerce belge, binlerce sayfa) hakkında genel sorular, akademik literatür analizi, kurumsal belge keşfi, araştırma raporlarında çapraz referans. Sınırlar: indeksleme maliyeti yüksek — küçük belge koleksiyonu için overkill; dinamik veri güncelleme zor (grafik yeniden oluşturulmalı); varlık çıkarımı kalitesi LLM performansına bağlı. Lazy GraphRAG (2024): topluluklara önceden özetleme yapmaz; sorgu sırasında ilgili düğümler dinamik seçilir — maliyet düşer. Karşılaştırma: standart RAG çoğu durumda yeterli; global anlayış gerektiğinde GraphRAG değer katar.

quiz Sık Sorulan Sorular

  • check_circle GraphRAG ne zaman kullanılmalı?: Büyük döküman korpuslarda tematik analiz, karmaşık ilişki sorguları ve çapraz belge özetleme gerektiren durumlarda etkilidir.
  • check_circle Nasıl başlanır?: Microsoft'un açık kaynak graphrag Python paketi (pip install graphrag) ve Azure AI Studio üzerinden hazır pipeline mevcuttur.
  • check_circle Dezavantajları nelerdir?: Graf indeksleme maliyeti yüksektir; büyük korpuslar için çok sayıda LLM çağrısı gerekir. Gerçek zamanlı güncellemeler için hafıza kullanımı da artar.
  • check_circle GraphRAG nedir?: Belge koleksiyonundan bilgi grafiği oluşturan ve bu grafik üzerinden hem lokal hem global sorguları yanıtlayabilen gelişmiş RAG yöntemidir. Microsoft Research tarafından 2024'te tanıtıldı.
  • check_circle GraphRAG standart RAG'dan ne zaman üstün?: Büyük belge koleksiyonu hakkında genel sorular: 'Ana temalar neler?', 'Hangi varlıklar en çok geçiyor?' Standart RAG lokal konular için güçlü; GraphRAG global analiz için.
  • check_circle GraphRAG kurulumu nasıl yapılır?: pip install graphrag. graphrag init ile proje yapısı oluşturulur. settings.yaml: LLM ve embedding modeli seçimi. graphrag index — belgeler indekslenir (pahalı LLM çağrıları). graphrag query --method global/local — sorgulama.
  • check_circle GraphRAG pahalı mı?: İndeksleme aşaması: her belge için çok sayıda LLM çağrısı — 1000 sayfa belge için 50-200 USD GPT-4 maliyeti beklenir. Sorgu: lokal sorgu ucuz; global sorgu topluluk sayısına göre değişir. Lazy GraphRAG: indeksle maliyet azaltır — küçük koleksiyonlar için önce bunu dene.