GraphRAG (Graf Tabanlı RAG)

#GraphRAG #RAG #KnowledgeGraph #LLM

Belgelerden bilgi grafı oluşturup varlık ve topluluk özetleri üzerinden sorgulama yapan, küresel tematik sorularda standart RAG'dan üstün Microsoft geliştirmesi RAG yöntemi.

GraphRAG, Microsoft Research tarafından 2024'te tanıtılan ve bilgi grafları (knowledge graph) ile desteklenen gelişmiş bir RAG (Retrieval-Augmented Generation) sistemidir. Klasik RAG'de belgeler küçük parçalara (chunk) bölünür ve vektör benzerliği ile en ilgili parçalar bulunup dil modeline verilir. Bu yaklaşım yerel, spesifik sorularda güçlü olmakla birlikte "Bu belge koleksiyonunun ana temaları nelerdir?" gibi küresel sorularda yetersiz kalır. GraphRAG bu sorunu köklü biçimde çözer. Hazırlık aşamasında belgeler LLM ile analiz edilir; varlıklar (kişi, yer, organizasyon, kavram), aralarındaki ilişkiler ve özetler çıkarılarak yapısal bir bilgi grafına aktarılır. Leiden veya Louvain algoritmasıyla graftaki düğümler topluluklara ayrılır; her topluluk için özet metinler üretilir. Sorgu aşamasında sistem iki moddan birini kullanır: lokal sorgular (belirli bir varlık hakkında) ilgili düğümleri ve komşularından bağlam çeker; küresel sorgular ise tüm topluluk özetlerini birleştirerek bütünsel bir yanıt üretir. 2024 sonunda Microsoft, Lazy GraphRAG adlı daha hafif bir varyant yayımladı. Lazy GraphRAG, hazırlık aşamasında tüm toplulukları önceden özetlemez; bunun yerine sorgu anında dinamik olarak ilgili düğümleri seçer. Bu yöntem indeksleme maliyetini önemli ölçüde düşürür ve orta büyüklükteki belge koleksiyonları için daha uygun bir seçenek sunar. Standart RAG ile karşılaştırıldığında GraphRAG'ın temel avantajı, büyük belge koleksiyonları hakkında tematik ve çapraz referans sorularını yanıtlayabilmesidir. Microsoft'un orijinal değerlendirmesinde GraphRAG, kapsamlılık ve çeşitlilik metriklerinde standart RAG'ı geçmiştir. Kurumsal belge analizi, akademik literatür keşfi ve araştırma raporlarında ilişki bağlantıları oluşturmak bu yaklaşımın öne çıktığı alanlardır. Pratik kullanım açısından Microsoft'un açık kaynak Python paketi (pip install graphrag) ve Azure AI Studio entegrasyonu hazır pipeline sunar. LlamaIndex ve LangChain da hibrit yaklaşımları destekler: yerel sorgular için vektör RAG, küresel sorgular için GraphRAG kombinasyonu. İndeksleme maliyetleri dikkat gerektirir: 1000 sayfalık bir belge koleksiyonunun GPT-4 ile işlenmesi 50–200 USD arası LLM masrafı doğurabilir. Küçük ve orta büyüklükteki projeler için önce standart RAG veya Lazy GraphRAG tercih edilmesi önerilir.

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. Leiden veya Louvain algoritmasıyla düğümler topluluklara ayrılır; her topluluk için özet metin üretilir. Sorgu: kullanıcı sorusuna göre sistem lokal (belirli bir varlık) veya global (tüm koleksiyon temaları) modda çalışır. Global modda topluluk özetleri toplanır ve LLM bütünsel bir yanıt üretir.

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.
  • check_circle Lazy GraphRAG: Microsoft'un 2024 sonunda yayımladığı hafif varyant: hazırlık aşamasında önceden özet üretmez; sorgu anında dinamik düğüm seçimi yapar. İndeksleme maliyetini belirgin biçimde düşürür, orta büyüklükteki projeler için önerilir.

GraphRAG Kullanım Alanları ve Sınırları

GraphRAG, büyük belge koleksiyonları hakkında genel sorular, akademik literatür analizi, kurumsal belge keşfi ve araştırma raporlarında çapraz referans için idealdir. Microsoft'un orijinal değerlendirmesinde GraphRAG, kapsamlılık ve çeşitlilik metriklerinde standart RAG'ı geçmiştir. Sınırlar: indeksleme maliyeti yüksek — küçük belge koleksiyonu için overkill; dinamik veri güncelleme zor (grafik yeniden oluşturulmalı); varlık çıkarımı kalitesi LLM performansına bağlı.

GraphRAG Araçları ve Ekosistem

  • check_circle Microsoft GraphRAG (Python): pip install graphrag komutuyla kurulur; MIT lisanslı açık kaynak pakettir. graphrag init → graphrag index → graphrag query iş akışı izlenir.
  • check_circle LangChain GraphRAG Entegrasyonu: LangChain, Neo4j ve NetworkX üzerinden bilgi grafı oluşturmayı destekler; hibrit RAG pipeline'larında vektör arama ile birlikte kullanılabilir.
  • check_circle LlamaIndex Knowledge Graph: KnowledgeGraphIndex ve PropertyGraphIndex ile GraphRAG benzeri yapılar kurulur; Nebula Graph ve Neo4j bağdaştırıcıları mevcuttur.
  • check_circle Azure AI Studio: Microsoft'un bulut platformu GraphRAG pipeline'larını yönetilen hizmet olarak sunar; kurumsal ölçek için en uygun seçenektir.

quiz Sık Sorulan Sorular

  • check_circle GraphRAG ne zaman kullanılmalı?: Büyük döküman korpuslarında tematik analiz, karmaşık ilişki sorguları ve çapraz belge özetleme gerektiren durumlarda etkilidir. Küçük koleksiyonlar için standart RAG çoğunlukla yeterlidir.
  • check_circle GraphRAG standart RAG'dan ne zaman üstün?: Büyük belge koleksiyonu hakkında genel sorularda: "Ana temalar neler?", "Hangi varlıklar en çok geçiyor?" Standart RAG lokal konular için güçlü; GraphRAG global analiz için daha başarılıdır.
  • check_circle Dezavantajları nelerdir?: Graf indeksleme maliyeti yüksektir; 1000 sayfa için GPT-4 ile 50–200 USD beklenir. Dinamik veri güncelleme zor, gerçek zamanlı veriler için uygun değildir. Lazy GraphRAG bu maliyeti kısmen azaltır.
  • check_circle GraphRAG pahalı mı?: İndeksleme aşaması: her belge için çok sayıda LLM çağrısı gerekir. Sorgu ucuzdur; lokal sorgu özellikle verimlidir. Lazy GraphRAG varyantı ön indeksleme maliyetini önemli ölçüde düşürür.
  • check_circle Lazy GraphRAG nedir ve ne zaman kullanılır?: Lazy GraphRAG, hazırlık aşamasında topluluk özetleri üretmez; bu hesaplamayı sorgu anına erteleyerek indeksleme maliyetini düşürür. Orta büyüklükteki veya sık güncellenen belge koleksiyonları için tercih edilir.