GraphRAG: How AI Answers Questions Hidden Across Many Documents
🇬🇧 English
Standard RAG retrieves documents by matching question vectors to chunk vectors, working well for local queries like "Which service owns the payments retry logic." However, global queries such as "Which failure causes recur most often across all postmortems" require reasoning across entire datasets.
Graph RAG addresses this limitation by building knowledge graphs that capture entities (services, teams, incidents) and relationships between them. This allows answers to emerge from corpus-wide patterns rather than single documents.
Microsoft tested Graph RAG against standard vector retrieval with 8,000 and 64,000 token contexts. On global questions, larger windows still failed to match Graph RAG's comprehensiveness, diversity, and source quality.
LinkedIn's customer service team reported a 77.6% improvement in mean reciprocal rank and 28.6% reduction in median resolution time after implementing knowledge graph-based retrieval. Graph RAG maintains two graphs: a lexical graph linking documents to chunks, and an entity graph connecting described concepts.
🇸🇦 العربية
GraphRAG مقابل RAG القياسي: إجابات الاستعلامات العالمية
يسترجع RAG القياسي المستندات من خلال مطابقة متطلبات الأسئلة إلى متطلبات الجزر، ويعمل جيدًا للاستعلامات المحلية مثل "أي خدمة تملك منطق إعادة المحاولة للمدفوعات". ومع ذلك، تتطلب الاستعلامات العالمية مثل "أي سبل الفشل تتكرر الأكثر في جميع التحليلات ما بعد الحوادث" التفكير عبر مجموعات بيانات كاملة.
يعالج Graph RAG هذا القيد من خلال بناء رسوم بيانات معرفية تلتقط الكيانات (الخدمات، الفرق، الحوادث) والعلاقات بينها. هذا يتيح للإجابات أن تنبعث من أنماط على مستوى الكوربوس بدلاً من مستندات فردية.
اختبرت Microsoft Graph RAG ضد استرجاع المتطلبات المعيارية مع سياقات تتكون من 8,000 و64,000 رمزًا. على الأسئلة العالمية، لم تتمكّ من مطابقة شمولية Graph RAG وتنوعها وجودة مصدرها حتى مع النوافذ الأكبر.
أفادت فريق خدمة عملاء LinkedIn بتحسين بنسبة 77.6% في المتوسط العكسي وتقليل بنسبة 28.6% في وقت حل المشكلات الوسطي بعد تنفيذ الاسترجاع القائم على رسم البيانات المعرفية. Graph RAG يحافظ على رسمين: رسم بيانات لغوي يربط المستندات بالجزر، ورسم بيانات كيانات يربط المفاهيم الموصوفة.
كيانات رئيسية: الشركات: Microsoft, LinkedIn, Neo4j, ByteByteGo
متى يجب على الفرق اختيار Graph RAG بدلاً من RAG القياسي؟
اختر Graph RAG للاستعلامات العالمية التي تتطلب التفكير على مستوى الكوربوس، مثل اكتشاف الأنماط عبر العديد من المستندات. RAG القياسي لا يزال أفضل للاستعلامات المحلية التي تحتوي إجاباتها في مستندات محددة.
🇧🇩 বাংলা
GraphRAG vs মানক RAG: বৈশ্বিক ক্যোয়েরি উত্তর
মানক RAG প্রশ্নের ভেক্টরকে চাঙ্ক ভেক্টরের সাথে মিলিয়ে ডকুমেন্ট পুনরুদ্ধার করে, যা "কোন সেবা পেমেন্ট রিট্রি লজিকের মালিকান রক্ষা করে" এর মতো স্থানীয় ক্যোয়েরির জন্য কাজ করে। তবে, "কোন ব্যর্থতার কারণগুলি সব পোস্টমর্টেমে সবচেয়ে বেশি পুনরাবৃত্তি করে" এর মতো বৈশ্বিক ক্যোয়েরি পুরো ডেটাসেট জুড়ে যুক্তিবিদ্যা প্রয়োজন।
Graph RAG এই সীমাবদ্ধতাকে দূর করে জ্ঞান গ্রাফ গড়ে তোলায় যা এন্টিটিগুলি (সেবা, দল, ঘটনা) এবং তাদের মধ্যকার সম্পর্কগুলি ধরে। এটি উত্তরগুলিকে একক নথিতে নয়ে পুরো কর্পাসের প্যাটার্ন থেকে জন্ম দেয়।
Microsoft 8,000 এবং 64,000 টোকেনের প্রসঙ্গ নিয়ে Graph RAG-কে মানক ভেক্টর রিট্রিভালের বিরুদ্ধে পরীক্ষা করেছে। বৈশ্বিক প্রশ্নগুলিতে, বড় উইন্ডোগুলি এখনও Graph RAG-এর ব্যাপকতা, বৈচিত্র্য এবং উৎস গুণমানের সাথে মেলার জন্য ব্যর্থ হয়েছে।
LinkedIn এর গ্রাহক সেবা দল জ্ঞান গ্রাফ-ভিত্তিক রিট্রিভাল বাস্তবায়ন করার পরে গড় বিপরীত র্যাঙ্কে 77.6% উন্নতি এবং মাধ্যম রিজোলিউশন সময়ে 28.6% হ্রাস রিপোর্ট করেছে। Graph RAG দুটি গ্রাফ বজায় রাখে: একটি শব্দ গ্রাফ যা নথিগুলিকে চাঙ্কের সাথে যুক্ত করে, এবং একটি এন্টিটি গ্রাফ যা বর্ণিত ধারণাগুলিকে সংযুক্ত করে।
গুরুত্বপূর্ণ এন্টিটিগুলি: কোম্পানিগুলি: Microsoft, LinkedIn, Neo4j, ByteByteGo
কখন দলগুলি Graph RAG নির্বাচন করা উচিত মানক RAG এর পরিবর্তে?
পুরো কর্পাস জুড়ে যুক্তিবিদ্যা প্রয়োজন এমন বৈশ্বিক ক্যোয়েরির জন্য Graph RAG নির্বাচন করুন, যেমন অনেক নথিতে প্যাটার্ন শনাক্তকরণ। মানক RAG স্থানীয় ক্যোয়েরির জন্য এখনও ভালো যাদের উত্তর নির্দিষ্ট নথিতে রয়েছে।
🇩🇪 Deutsch
GraphRAG vs Standard-RAG: Globale Abfragen-Antworten
Standard-RAG ruft Dokumente ab, indem es Fragevektoren mit Chunk-Vektoren abgleicht, was gut für lokale Abfragen wie "Welcher Dienst besitzt die Zahlungswiederholungslogik" funktioniert. Globale Abfragen wie "Welche Fehlerursachen treten am häufigsten in allen Postmortems auf" erfordern jedoch ein Schlussfolgern über das gesamte Datenset.
Graph RAG löst diese Einschränkung, indem es Wissensgraphen erstellt, die Entitäten (Dienste, Teams, Vorfälle) und deren Beziehungen zwischen ihnen erfassen. Dies ermöglicht es, dass Antworten aus Mustern im gesamten Korpus statt aus einzelnen Dokumenten hervortreten.
Microsoft hat Graph RAG gegen Standard-Vektor-Retrieval mit 8.000- und 64.000-Token-Kontexten getestet. Bei globalen Fragen konnten größere Fenster dennoch nicht die Umfassungsfähigkeit, Vielfalt und Quellqualität von Graph RAG übertreffen.
Das Kundenservice-Team von LinkedIn meldete eine Verbesserung des mittleren inversen Rangs um 77,6 % und eine Reduzierung der medianen Lösungszeit um 28,6 % nach Implementierung einer wissensgraphenbasierten Suche. Graph RAG pflegt zwei Graphen: einen lexikalischen Graphen, der Dokumente mit Chunks verknüpft, und einen Entitätsgraphen, der beschriebene Konzepte miteinander verbindet.
Wichtige Entitäten: Unternehmen: Microsoft, LinkedIn, Neo4j, ByteByteGo
Wann sollten Teams Graph RAG gegenüber Standard-RAG wählen?
Wählen Sie Graph RAG für globale Abfragen, die ein Schlussfolgern im gesamten Korpus erfordern, wie die Mustererkennung in vielen Dokumenten. Standard-RAG bleibt für lokale Abfragen mit Antworten in bestimmten Dokumenten besser geeignet.
🇪🇸 Español
GraphRAG vs RAG Estándar: Respuestas a Consultas Globales
El RAG estándar recupera documentos comparando vectores de preguntas con vectores de fragmentos, funcionando bien para consultas locales como "¿Qué servicio posee la lógica de reintento de pagos?". Sin embargo, las consultas globales como "¿Qué causas de fallo ocurren con mayor frecuencia en todos los análisis posteriores?" requieren razonamiento a través de conjuntos de datos completos.
Graph RAG aborda esta limitación construyendo gráficos de conocimiento que capturan entidades (servicios, equipos, incidentes) y las relaciones entre ellas. Esto permite que las respuestas emergan de patrones en todo el corpus en lugar de documentos individuales.
Microsoft probó Graph RAG contra la recuperación vectorial estándar con contextos de 8,000 y 64,000 tokens. En preguntas globales, las ventanas más grandes aún no pudieron igualar la exhaustividad, diversidad y calidad de fuentes de Graph RAG.
El equipo de servicio al cliente de LinkedIn informó una mejora del 77.6% en el rango inverso medio y una reducción del 28.6% en el tiempo medio de resolución después de implementar la recuperación basada en gráficos de conocimiento. Graph RAG mantiene dos gráficos: un gráfico léxico que vincula documentos con fragmentos, y un gráfico de entidades que conecta conceptos descritos.
Entidades clave: Empresas: Microsoft, LinkedIn, Neo4j, ByteByteGo
¿Cuándo los equipos deben elegir Graph RAG sobre RAG estándar?
Elija Graph RAG para consultas globales que requieren razonamiento en todo el corpus, como la identificación de patrones en muchos documentos. RAG estándar sigue siendo mejor para consultas locales con respuestas contenidas en documentos específicos.
🇫🇷 Français
GraphRAG vs RAG Standard : Réponses aux Requêtes Globales
Le RAG standard récupère des documents en correspondant les vecteurs de questions aux vecteurs de segments, fonctionnant bien pour les requêtes locales comme "Quel service possède la logique de réessai des paiements ?". Cependant, les requêtes globales telles que "Quelles causes d'échec se reproduisent le plus souvent dans tous les rapports post-incident ?" nécessitent un raisonnement à travers l'ensemble des données.
Graph RAG résout cette limitation en construisant des graphes de connaissances qui capturent les entités (services, équipes, incidents) et les relations entre elles. Cela permet aux réponses de émerger à partir de modèles sur l'ensemble du corpus plutôt que de documents individuels.
Microsoft a testé Graph RAG contre la récupération vectorielle standard avec des contextes de 8 000 et 64 000 tokens. Pour les questions globales, les fenêtres plus grandes n'ont toujours pas pu égaler l'exhaustivité, la diversité et la qualité des sources de Graph RAG.
L'équipe service client de LinkedIn a signalé une amélioration de 77,6 % du rang inverse moyen et une réduction de 28,6 % du temps médian de résolution après la mise en œuvre de la récupération basée sur des graphes de connaissances. Graph RAG maintient deux graphes : un graphe lexical liant documents et segments, et un graphe d'entités reliant les concepts décrits.
Entités clés : Entreprises : Microsoft, LinkedIn, Neo4j, ByteByteGo
Quand les équipes doivent-elles choisir Graph RAG plutôt que RAG standard ?
Choisissez Graph RAG pour les requêtes globales nécessitant un raisonnement sur l'ensemble du corpus, comme l'identification de modèles dans de nombreux documents. RAG standard reste préférable pour les requêtes locales dont les réponses sont contenues dans des documents spécifiques.
🇮🇳 हिन्दी
GraphRAG vs मानक RAG: वैश्विक क्वेरी उत्तर
मानक RAG दस्तावेज़ों को प्राप्त करता है जो प्रश्न वेक्टर को चंक वेक्टर से मिलान करता है, जो "कौन से सेवा द्वारा भुगतान रीट्री लॉजिक का स्वामित्व है" जैसी स्थानीय क्वेरीज़ के लिए काम करता है। हालाँकि, "कौन से विफलता कारण सभी पोस्टमॉर्टम में सबसे अधिक दोहराते हैं" जैसी वैश्विक क्वेरीज़ को पूरे डेटासेट पर तर्कशक्ति की आवश्यकता होती है।
Graph RAG इस सीमा को दूर करता है द्वारा ज्ञान ग्राफ़ का निर्माण जो इकाइयों (सेवाएँ, टीमें, घटनाएँ) और उनके बीच के संबंधों को पकड़ता है। इससे जवाब पूरे कॉर्पस के पैटर्न से उभरते हैं, न कि एकल दस्तावेज़ों से।
Microsoft ने 8,000 और 64,000 टोकन कंटेक्स्ट के साथ Graph RAG को मानक वेक्टर रिट्रीवल के खिलाफ परीक्षण किया। वैश्विक प्रश्नों पर, बड़े खिड़ाए़ ने Graph RAG की व्यापकता, विविधता और स्रोत गुणवत्ता के साथ मेल खाला।
LinkedIn की ग्राहक सेवा टीम ने ज्ञान ग्राफ़-आधारित रिट्रीवल के कार्यान्वयन के बाद औसत प्रतिपूरक रैंक में 77.6% का सुधार और माध्य रिज़ॉल्यूशन समय में 28.6% की कमी रिपोर्ट की। Graph RAG दो ग्राफ़ बनाए रखता है: एक शब्द ग्राफ़ जो दस्तावेज़ों को चंक्स से जोड़ता है, और एक इकाई ग्राफ़ जो वर्णित अवधारणाओं को जोड़ता है।
मुख्य इकाइयाँ: कंपनियाँ: Microsoft, LinkedIn, Neo4j, ByteByteGo
जब टीमों को Graph RAG चुनना चाहिए मानक RAG के बजाय?
चुनें Graph RAG वैश्विक क्वेरीज़ के लिए जो पूरे कॉर्पस पर तर्कशक्ति की मांग करते हैं, जैसे कई दस्तावेज़ों में पैटर्न पहचान। मानक RAG स्थानीय क्वेरीज़ के लिए बेहतर रहता है जिनके उत्तर विशिष्ट दस्तावेज़ों में हैं।
🇮🇩 Bahasa Indonesia
GraphRAG vs RAG Standar: Jawaban Kueri Global
RAG standar mengambil dokumen dengan mencocokkan vektor pertanyaan ke vektor potongan, cocok untuk kueri lokal seperti "Layanan mana yang memiliki logika retry pembayaran". Namun, kueri global seperti "Faktor kegagalan apa yang paling sering terjadi di semua postmortem" memerlukan penalaran di seluruh dataset.
Graph RAG mengatasi keterbatasan ini dengan membangun grafik pengetahuan yang menangkap entitas (layanan, tim, insiden) dan hubungan antaranya. Ini memungkinkan jawaban muncul dari pola korpus luas, bukan dokumen tunggal.
Microsoft menguji Graph RAG melawan pengambilan vektor standar dengan konteks 8.000 dan 64.000 token. Pada pertanyaan global, jendela yang lebih besar masih belum dapat mencocinkan kem comprehensif, keanekaragaman, dan kualitas sumber Graph RAG.
Tim layanan pelanggan LinkedIn melaporkan peningkatan 77,6% dalam peringkat invers rata-rata dan pengurangan 28,6% dalam waktu resolusi median setelah menerapkan pengambilan berbasis grafik pengetahuan. Graph RAG mempertahankan dua grafik: grafik leksikal yang menghubungkan dokumen ke potongan, dan grafik entitas yang menghubungkan konsep yang dijelaskan.
Entitas kunci: Perusahaan: Microsoft, LinkedIn, Neo4j, ByteByteGo
Kapan tim harus memilih Graph RAG daripada RAG standar?
Pilih Graph RAG untuk kueri global yang memerlukan penalaran di seluruh korpus, seperti identifikasi pola di banyak dokumen. RAG standar tetap lebih baik untuk kueri lokal dengan jawaban yang terkandung dalam dokumen tertentu.
🇯🇵 日本語
GraphRAG vs 標準RAG：グローバルクエリの回答
標準RAGは質問ベクトルをチャンクベクトルに一致させてドキュメントを取得し、「どのサービスが支払いのリトライロジックを所有していますか」のようなローカルクエリに適しています。しかし、「どの障害原因がすべてのポストモーテムで最も頻繁に再発しますか」のようなグローバルクエリは、データセット全体を横断する推論を必要とします。
Graph RAGは、エンティティ（サービス、チーム、インシデント）とそれらの間の関係を捕捉するナレッジグラフを構築することで、この制限を克服します。これにより、回答は個々のドキュメントではなく、コーパス全体のパターンから浮かび上がります。
Microsoftは、8,000および64,000トークンのコンテキストでGraph RAGを標準的なベクトル検索と比較しました。グローバルな質問において、より広いウィンドウでもGraph RAGの包括性、多様性、およびソース品質に匹敵しませんでした。
LinkedInのカスタマーサービスチームは、ナレッジグラフに基づく検索を実装した後、平均逆ランクが77.6%改善され、中央解決時間が28.6%短縮されたと報告しました。Graph RAGは2つのグラフを維持します：ドキュメントをチャンクにリンクする語彙グラフと、記述された概念をつなぐエンティティグラフ。
主要エンティティ：会社：Microsoft, LinkedIn, Neo4j, ByteByteGo
チームはいつGraph RAGを標準RAGより選ぶべきですか？
多くのドキュメントにわたるパターン識別のように、コーパス全体の推論を必要とするグローバルクエリにGraph RAGを選択してください。標準RAGは、回答が特定のドキュメントに含まれるローカルクエリにより適しています。
🇧🇷 Português
GraphRAG vs RAG Padrão: Respostas a Consultas Globais
O RAG padrão recupera documentos correspondendo vetores de perguntas a vetores de fragmentos, funcionando bem para consultas locais como "Qual serviço possui a lógica de retentativa de pagamentos?". No entanto, consultas globais como "Quais causas de falha ocorrem com mais frequência em todos os pós-mortems?" exigem raciocínio em todo o conjunto de dados.
O Graph RAG aborda esta limitação construindo grafos de conhecimento que capturam entidades (serviços, equipes, incidentes) e as relações entre elas. Isso permite que as respostas emergam de padrões em todo o corpus em vez de documentos individuais.
A Microsoft testou o Graph RAG contra a recuperação vetorial padrão com contextos de 8.000 e 64.000 tokens. Nas perguntas globais, as janelas maiores ainda não conseguiram igualar a abrangência, diversidade e qualidade das fontes do Graph RAG.
A equipe de atendimento ao cliente da LinkedIn relatou uma melhoria de 77,6% no ranque inverso médio e uma redução de 28,6% no tempo mediano de resolução após implementar a recuperação baseada em grafos de conhecimento. Graph RAG mantém dois grafos: um grafo léxico vinculando documentos a fragmentos, e um grafo de entidades conectando conceitos descritos.
Entidades-chave: Empresas: Microsoft, LinkedIn, Neo4j, ByteByteGo
Quando as equipes devem escolher Graph RAG em vez de RAG padrão?
Escolha Graph RAG para consultas globais que exigem raciocínio em todo o corpus, como identificação de padrões em muitos documentos. RAG padrão ainda é melhor para consultas locais com respostas contidas em documentos específicos.
🇷🇺 Русский
GraphRAG vs Стандартный RAG: Ответы на Глобальные Запросы
Стандартный RAG извлекает документы путем сопоставления векторов вопросов с векторами фрагментов, хорошо работает для локальных запросов, таких как "Какой сервис владеет логикой повторной попытки платежей". Однако глобальные запросы, такие как "Какие причины сбоев воспроизводятся чаще всего во всех постмортемах", требуют рассуждений по всему набору данных.
Graph RAG решает это ограничение, создавая графы знаний, которые захватывают сущности (сервисы, команды, инциденты) и связи между ними. Это позволяет ответы возникать из корпуса-широких паттернов, а не из отдельных документов.
Microsoft протестировала Graph RAG против стандартного векторного извлечения с контекстами 8 000 и 64 000 токенов. По глобальным вопросам, более широкие окна всё ещё не могли соперничать с полнотой, разнообразием и качеством источников Graph RAG.
Команда службы поддержки LinkedIn сообщила о улучшении среднего обратного ранга на 77,6% и сокращении медианного времени разрешения на 28,6% после внедрения извлечения на основе графов знаний. Graph RAG поддерживает два графа: лексический граф, связывающий документы с фрагментами, и граф сущностей, соединяющий описанные концепции.
Ключевые сущности: Компании: Microsoft, LinkedIn, Neo4j, ByteByteGo
Когда команды должны выбрать Graph RAG вместо стандартного RAG?
Выбирайте Graph RAG для глобальных запросов, требующих рассуждений по всему корпусу, таких как идентификация паттернов в многих документах. Стандартный RAG остаётся лучше для локальных запросов с ответами, содержащимися в конкретных документах.
🇨🇳 简体中文
GraphRAG与标准RAG：全局查询答案
标准RAG通过匹配问题向量到块向量检索文档，适用于诸如"哪个服务拥有支付重试逻辑"这样的本地查询。然而，诸如"哪些失败原因在所有事后分析中最常出现"这样的全局查询需要跨整个数据集进行推理。
Graph RAG通过构建捕获实体（服务、团队、事件）及其之间关系的知识图谱来解决这一限制。这使得答案可以从整个语料库的模式中浮现出来，而不是来自单个文档。
微软测试了Graph RAG与标准向量检索，使用8,000和64,000个标记的上下文。在全局问题上，更大的窗口仍然无法匹配Graph RAG的全面性、多样性和来源质量。
LinkedIn的客户服务团队在实施基于知识图谱的检索后报告称，平均倒数排名提高了77.6%，中位解决时间减少了28.6%。Graph RAG维护两个图谱：一个将文档链接到块的词汇图，以及一个连接所描述概念的实体图。
关键实体：公司：微软、LinkedIn、Neo4j、ByteByteGo
团队何时应选择Graph RAG而非标准RAG？
选择Graph RAG用于需要跨语料库推理的全局查询，如跨许多文档进行模式识别。标准RAG仍然更适合本地查询，其答案包含在特定文档中。