Microsoft GraphRAG وOllama: أداء RAG القائم على الرسوم البيانية مع النماذج المحلية

صدر تحليل مفصّل لـ Microsoft GraphRAG مع Ollama ونماذج LLM محلية. فحص الكاتب ما إذا كان بالإمكان تشغيل RAG رسومي دون بنية تحتية مكلفة، وشغّل النظام على قصة «Johnny Mnemonic» لوليام جيبسون لتقييم جودة الإجابات على مادة سايبربانك مألوفة.

كيف أُجري الاختبار

قامت التجربة على سؤال عملي: هل يستطيع النهج الرسومي فعلًا أن يحلّ محل البحث المتجهي المعتاد في أنظمة RAG المؤسسية؟ اختار الكاتب لذلك Microsoft GraphRAG وتشغيلًا محليًا عبر Ollama ونصًّا بحجم نحو 38 ألف كلمة.

لم تقتصر النتيجة على فهرس للبحث، بل شملت رسمًا معرفيًا كاملًا يضم الكيانات والعلاقات والمجتمعات. وأظهر التصوير عبر Gephi أن النظام قادر على بناء بنية غنية إلى حدّ كبير انطلاقًا من نص أدبي واحد.

ومن المهم أن GraphRAG لا يكوّن العلاقات الحرفية بين العناصر فحسب، بل يكوّن أيضًا مجموعات موضوعية. فقد تجمّعت تقارير المجتمعات حول الياكوزا وJohnny وMolly Millions وغيرها من عناصر الحبكة الرئيسة.

كما ظهرت قيود معتادة: لا يدمج النظام الكيانات دائمًا إذا اختلفت صيغ الأسماء، ولذلك يجب التعامل مع بعض التكرارات على حدة. وللحصول على إجابات بالروسية، عدّل الكاتب موجّهات النظام (system prompts)، لكنه ينصح بطرح الأسئلة نفسها بالإنجليزية، وإلا تنخفض الدقة.

«باختصار، يعمل بشكل مقبول حتى مع نماذج 4b».

كيف يجيب النظام

قارن الاختبار بين عدة أنماط. يعمل global search على أوصاف المجتمعات بمنطق MapReduce، وهو أنسب للأسئلة المتعلقة بالمدوّنة كاملة. أما local search فيمزج علاقات الرسم البياني مع مقاطع من النص الأصلي، ويكون أنفع عندما يلزم تحليل شخصية بعينها أو كائن أو حلقة محددة. وهناك أيضًا BASIC، أي البحث العادي في المقاطع (chunks)، وDRIFT، وهو نمط أثقل يشبه توسيع الاستعلام (query expansion) ويحاول توسيع السياق.

• جمع global search الموضوعات الرئيسة لسايبربانك في القصة: اندماج التقنية بالبيولوجيا، والمدينة الديستوبية، وصراعات الشركات، وعدم المساواة التقنية.
• قدّم local search إجابة أكثر تحديدًا عن الشخصية Jones وعلاقاتها مع Johnny وMolly والياكوزا.
• استغرق بحث DRIFT على السؤال نفسه نحو أربعين دقيقة، ولم يحقق قفزة ملموسة في الجودة مقارنة بالنمط المحلي.
• يبقى BASIC نقطة مرجعية مفيدة، لأن البحث المتجهي لا يختفي داخل GraphRAG.

ومن ذلك يستخلص الكاتب نتيجة عملية مهمة: ففي منتج حقيقي ستلزم وجود وكيل (agent) أو موجّه (router) مستقل يختار نوع البحث بحسب صياغة السؤال وتاريخ الاستعلام. وإلا سيتعيّن تبديل الأنماط يدويًا.

ومن التفاصيل الأخرى أن إجابات GraphRAG تشير إلى human_readable_id من ملفات parquet، ولذلك يجب فكّ هذه الإشارات ومعالجتها إضافيًا في واجهة المستخدم. وهذا يحوّل GraphRAG من مجرد بحث إلى طبقة إضافية يجب تكييفها مع سيناريو استخدام فعلي.

أين ظهرت المشكلات

جاءت الصورة مع النماذج المحلية متفاوتة. لم يتمكن Mistral 7B، بحسب الأمثلة التي وُجدت، من تشغيل global search بسبب مشكلات في الإخراج المنظّم بصيغة JSON، إذ تفشل استعلامات map ببساطة. أما Gemma 3 بإصداريه 4B و12B فقد حافظ على الكيانات الأساسية، لكنه بسّط الرسم البياني وشوّه الحقائق في بعض المواضع، حتى تحوّل Jones إلى إنسان بدلًا من دلفين.

ووصف الكاتب Qwen3 14B بأنه الخيار الأكثر صلاحية للعمل. واستُخدم نموذج user-bge-m3 للتضمينات، وهو يتعامل جيدًا مع الروسية والإنجليزية.

وتكثر الجوانب المتعلقة بالبنية التحتية أيضًا. يعتمد GraphRAG على LiteLLM، ويحذّر الكاتب تحديدًا من الترقية إلى ما بعد الإصدار 1.82.6، لأن الإصدارين 1.82.7 و1.82.8 تعرّضا للاختراق. ومع Ollama يظهر خطأ 404 زائف عند طلب معلمات النموذج، وقد تصطدم الاستدعاءات الطويلة بمهلات الطابور (timeouts).

وتسبّب التضمينات مشكلات أكبر: فأحيانًا يتعطل bge-m3 عبر Ollama بسبب تسلسل (serialization) القيمتين Inf وNaN، ولذلك اضطر الكاتب إلى نقل التضمين إلى وكيل (proxy) مستقل على HuggingFace. يضاف إلى ذلك أن ملف settings.yaml يحتاج إلى تعديل يدوي، مع ضبط api_base وحجم المتجه 1024 وتفعيل graphml من أجل التصوير. وحتى على جهاز بذاكرة GPU قدرها 16 غيغابايت، تستغرق فهرسة نص بهذا الحجم أكثر من ساعة.

ماذا يعني ذلك

الخلاصة الرئيسة للمقال أن Microsoft GraphRAG لا يبدو بديلًا مباشرًا لـ RAG المتجهي الكلاسيكي. فهو أنفع حيث يكون عمق الروابط الدلالية أهم من سرعة الإجابة، كما في التحليلات والأنظمة الخبيرة ومجموعات الوثائق المعقدة. وفي المقابل، يملك هذا النهج واجهة API وتطبيقًا تجريبيًا ومسارًا واضحًا نحو منتج أولي قابل للتطبيق (MVP).

لكن الثمن المقابل للإجابات الأكثر صلة هو وقت الفهرسة وهشاشة خط المعالجة وإعداد أعقد بوضوح مقارنة بقاعدة بيانات متجهية عادية.