GraphRAG i grafovi znanja 2026: kad RAG mora povezati točke

Pitajte obični RAG sustav „što piše u našoj politici povrata?" i savršeno će odgovoriti — pronađe odlomak i citira ga. Pitajte „koji su naši dobavljači izloženi istom prijevozniku koji je upravo propao?" i raspada se, jer odgovor nije zapisan ni u jednom odlomku. Treba ga sastaviti iz činjenica razasutih po desecima dokumenata koje imaju smisla tek kad ih povežete. Upravo taj jaz — između dohvaćanja teksta i dohvaćanja odnosa — GraphRAG zatvara. Ovo je vodič jednostavnim jezikom o grafovima znanja, GraphRAG-u i nekoliko odluka u 2026. koje vam govore kada se dodatna mašinerija isplati.

Zašto obični vektorski RAG udara u zid

Standardni RAG radi po sličnosti: dijeli dokumente na dijelove, svaki pretvara u vektor embedding modelom i u trenutku upita dohvaća dijelove najbliže po značenju pitanju. To je izvrsno kad odgovor živi u jednom ili dva odlomka. Loše se snalazi kad odgovor zahtijeva višekoračno zaključivanje — praćenje lanca „A je povezano s B, B s C" — ili cjelovit pogled na cijeli korpus, poput „koje su glavne teme kroz ovih 400 izvještaja o incidentima?". Pretraživanje po sličnosti vraća nekoliko najboljih dijelova; nikad nije bilo osmišljeno za prolazak kroz veze ni za sažimanje svega odjednom.

Što je zapravo graf znanja

Graf znanja pohranjuje informacije kao entitete (čvorove) i odnose među njima (bridove). „Blocksize isporučuje Acmeu", „Acme otprema preko NordFreighta", „NordFreight posluje na Baltiku" — tri činjenice, ali pohranjene kao povezana struktura umjesto kao tri razdvojene rečenice. Kad je znanje graf, pitanje poput „koji su kupci pogođeni ako NordFreight stane?" postaje prolazak: kreneš od NordFreighta, hodaš po bridovima i skupiš sve povezane. Nikakva semantička sličnost to ne radi, jer pojedinačni dokumenti nikad ne spominju ostale.

Kako GraphRAG gradi i koristi graf

GraphRAG — koji je 2024. popularizirao Microsoft Research, a danas je standardni obrazac u Anthropic, OpenAI i Mistral stogovima — ima dvije faze. Indeksiranje (jednom, unaprijed) i upit (u trenutku zahtjeva):

1. Izvuci entitete i odnose. LLM čita svaki dio i izvlači entitete i kako se odnose — pretvarajući prozu u grafne trojke.
2. Izgradi graf i sažetke zajednica. Trojke se spajaju u jedan graf, zatim grupiranje (clustering) okuplja gusto povezane čvorove u „zajednice", a model piše sažetak svake.
3. Odgovori lokalno. Za specifično pitanje kreni od relevantnih entiteta i prođi njihovo susjedstvo da skupiš povezane činjenice.
4. Odgovori globalno. Za „cjelovito" pitanje spoji unaprijed izrađene sažetke zajednica u jedan odgovor na razini cijelog korpusa — nešto što vektorsko pretraživanje jednostavno ne može sastaviti.

Kada GraphRAG pobjeđuje — a kada ne

GraphRAG nije nadogradnja koju prikvačite na svaki RAG sustav; to je drugi alat za drugi oblik pitanja. Iskreno pravilo u 2026. jest posegnuti za njim samo kad su vaša pitanja stvarno o vezama ili o sintezi cijelog korpusa. Za većinu slučajeva „pronađi relevantan odlomak", dobro ugođeno hibridno vektorsko pretraživanje jeftinije je, jednostavnije i jednako dobro.

Odnos troška i truda

Praktična odluka rijetko je „je li GraphRAG bolji?" — za povezana pitanja očito jest — nego „isplati li nam se izgradnja?". Kvaliteta ekstrakcije ovisi o sposobnom modelu koji čita svaki dio, pa je indeksiranje velikog korpusa skupi dio, a graf treba ponovno indeksirati kad se temeljni dokumenti bitno promijene. Mnogi timovi završe na hibridu: obično vektorsko pretraživanje za svakodnevne potrage, a grafni sloj samo nad dijelovima podataka visoke vrijednosti i gustih veza, odakle višekoračna pitanja zapravo dolaze.

Kako to napraviti dobro: kratka lista

1. Kreni od pitanja, ne od tehnologije. Ako vaši korisnici ne postavljaju višekoračna ili „cjelovita" pitanja, vjerojatno vam graf ne treba.
2. Ograniči opseg grafa. Izgradi ga nad povezanim podskupom podataka visoke vrijednosti, ne nad cijelom hrpom dokumenata.
3. Ulaži u kvalitetu ekstrakcije. Snažan model i jasna shema entiteta pri indeksiranju odlučuju koliko dobar svaki kasniji odgovor može biti.
4. Planiraj ponovno indeksiranje. Tretiraj graf kao nešto što se mora iznova graditi kako se izvorni podaci mijenjaju — predvidi proračun za to.
5. Mjeri u odnosu na vektorsku osnovicu. Dokaži da GraphRAG stvarno pobjeđuje obični RAG na tvojim stvarnim pitanjima prije nego što ga platiš svugdje.

Zaključak

Vektorski RAG dohvaća odlomke; GraphRAG dohvaća odnose. U 2026. to dvoje je komplementarno, a ne suparničko — većina sustava trebala bi zadano koristiti vektorsko pretraživanje i dodati graf znanja samo ondje gdje su pitanja stvarno o tome kako su stvari povezane ili što cijeli korpus znači. Pogodite tu prosudbu i GraphRAG pretvara hrpu nepovezanih dokumenata u nešto kroz što AI može zaključivati. Promašite je i platili ste veliki račun za indeksiranje da odgovorite na pitanja koja je obični vektorski indeks već riješio.