--- title: "GraphRAG: kiedy graf wiedzy pomaga RAG odpowiadać lepiej?" url: "https://majchrzycki.com/blog/graphrag-graf-wiedzy-a-klasyczny-rag" description: "Jak działa GraphRAG Microsoft Research, kiedy pomaga w pytaniach o cały zbiór dokumentów i jak porównać go z RAG wektorowym oraz OG-RAG." --- # GraphRAG: kiedy graf wiedzy pomaga RAG odpowiadać lepiej? 13 czerwca 2026·2 min czytania·Krzysztof Majchrzycki Temat: [Architektura systemów AI](https://majchrzycki.com/blog/filar/architektura-systemow-ai) **Klasyczny RAG szuka fragmentów podobnych do pytania; GraphRAG próbuje także odtworzyć podmioty, relacje i tematy rozproszone po wielu dokumentach.** To szczególnie ważne przy pytaniu „jakie są główne przyczyny reklamacji w całym roku?”, na które jeden trafny akapit nie odpowie. [Projekt Microsoft Research GraphRAG](https://www.microsoft.com/en-us/research/project/graphrag/) opisuje budowanie grafu encji i relacji oraz podsumowań społeczności grafu. [Kod](https://github.com/microsoft/graphrag) i [dokumentacja](https://microsoft.github.io/graphrag/) pozwalają sprawdzić implementację. ## Gdzie graf wnosi wartość? W zwykłym RAG dzielimy dokumenty na fragmenty, indeksujemy je i pobieramy te najbliższe zapytaniu. To rozsądny punkt startowy dla pytań o pojedynczy przepis, umowę lub procedurę. GraphRAG ma inny atut: potrafi zestawić informacje o tej samej osobie, maszynie czy incydencie z różnych miejsc oraz wygenerować odpowiedź na pytanie przekrojowe. [Wprowadzenie badaczy Microsoftu](https://www.microsoft.com/en-us/research/blog/graphrag-unlocking-llm-discovery-on-narrative-private-data/) pokazuje nacisk na odkrywanie tematów w prywatnych danych narracyjnych. Przykład: sto raportów serwisowych używa różnych nazw dla tej samej linii produkcyjnej. Graf może połączyć wspomnienia linii, dostawców części, awarii i skutków, a następnie pomóc znaleźć powtarzalny wzorzec. Warunek: ekstrakcja i rozpoznawanie tożsamości obiektów muszą być dostatecznie dobre. Błędnie scalone maszyny stworzą przekonującą, lecz fałszywą historię. ## GraphRAG, OG-RAG i OpenRAG to różne rzeczy [OG-RAG](https://majchrzycki.com/blog/og-rag-ontologia-w-retrieval-augmented-generation) używa **wcześniej określonej ontologii** do ugruntowania wyszukiwania; GraphRAG często buduje graf z tekstu podczas indeksowania. Można je połączyć: ontologia dostarcza pojęć i ograniczeń, a ekstrakcja wzbogaca je o fakty z dokumentów. [OpenRAG](https://majchrzycki.com/blog/openrag-otwarta-platforma-rag) jest nazwą platformy do złożenia pipeline RAG, a nie synonimem żadnej z tych metod. Przegląd [IBM o GraphRAG](https://www.ibm.com/think/topics/graphrag) omawia tę rodzinę podejść szerzej niż pojedynczy projekt Microsoftu. ## Cena i test Graf i podsumowania trzeba zbudować oraz aktualizować. Koszt indeksowania, opóźnienie, utrzymanie encji i ryzyko błędnych relacji mogą przewyższyć korzyść dla małej, dobrze opisanej bazy FAQ. Dlatego zacząłbym od 30–50 pytań podzielonych na proste i przekrojowe. Porównaj odpowiedź, wskazane źródła, koszt odświeżania indeksu i czas reakcji względem zwykłego RAG. Dla agenta przedsiębiorstwa dochodzi filtr uprawnień: relacja w grafie nie może zdradzić istnienia dokumentu, którego użytkownik nie ma prawa zobaczyć. Test powinien mieć osobną kategorię dla **pytań globalnych**, np. „jak zmieniały się główne problemy klientów przez sześć miesięcy?”, i dla **pytań lokalnych**, np. „co mówi instrukcja do maszyny M7 o alarmie 42?”. Jeśli GraphRAG wygrywa tylko w pierwszej grupie, architektura hybrydowa może być rozsądniejsza niż zastępowanie całego wyszukiwania grafem. Microsoft opisuje różne sposoby wyszukiwania w [dokumentacji GraphRAG](https://microsoft.github.io/graphrag/), dlatego parametry testu trzeba zachować wraz z wynikami. Sprawdź również **ślad pochodzenia**. Podsumowanie społeczności grafu może syntetyzować kilkadziesiąt fragmentów, ale użytkownik nadal powinien móc dotrzeć do oryginalnych dokumentów i dat ich wersji. W zadaniach operacyjnych odpowiedź „trzy raporty wskazują ten sam problem” jest użyteczna tylko wtedy, gdy da się wskazać te trzy raporty. Dla tekstów poufnych należy filtrować już na etapie budowania i pobierania grafu, zgodnie z uprawnieniami do źródeł. W AI SDLC zmiana modelu ekstrakcji może zmienić graf bez zmiany kodu aplikacji. Dlatego zachowaj próbkę referencyjnych encji i relacji, testuj ich zgodność po ponownym indeksowaniu i monitoruj liczbę osieroconych węzłów. Błąd ujednolicenia nazw potrafi mieć większy wpływ na odpowiedź niż zmiana modelu generującego tekst. GraphRAG jest wyborem dla pytań wymagających **syntezy między dokumentami**, gdy zwykły retrieval regularnie gubi kontekst. Jeśli pytanie dotyczy jednego ustępu, prostszy RAG zwykle łatwiej utrzymać i zweryfikować. - Agenci AI - Dane i analityka ## Przełóż temat na projekt w Twojej firmie Zobacz zakres współpracy: od rozpoznania procesu i danych po projekt rozwiązania AI. [Zobacz współpracę](https://majchrzycki.com/wspolpraca) ## Czytaj dalej - [OpenRAG: otwarta platforma do budowy RAG z dokumentów](https://majchrzycki.com/blog/openrag-otwarta-platforma-rag) - [OG-RAG: ontologia jako mapa dla wyszukiwania wiedzy](https://majchrzycki.com/blog/og-rag-ontologia-w-retrieval-augmented-generation) - [RAFT: trening modelu dla domenowego RAG](https://majchrzycki.com/blog/raft-metoda-optymalizacji-modeli-ai-dla-biznesu-z-microsoft-azure-ai) - [Agentic RAG: wiele źródeł, koszt i kontrola](https://majchrzycki.com/blog/zaawansowane-rag-wieksza-optymalizacja-biznesowych-modeli-ai-przy-pomocy-microsoft-azure)