Graph-RAG: база важнее вики и PDF — в среднем на 44% меньше галлюцинаций
Ассистент в 11 вечера называет дежурного по платёжному сервису из вики, которую не правили четыре месяца, хотя в базе уже записан другой человек. Graph-RAG — поиск, где факты из базы, вики и PDF ранжируются по доверию, а правило «при споре верь базе» прописано в промпте. По оценке IDC для Neo4j, графовый контекст снижает галлюцинации в среднем на 44%. Практический вывод: дайте каждому источнику приоритет и метку происхождения.
AI-обработка оригинала Machine Learning Mastery; редакция Hamidun News
Представьте: инженер в 11 вечера спрашивает внутреннего ИИ-ассистента, кто дежурит по платёжному сервису. Ассистент прочитал вики, проиндексировал все PDF на общем диске и подключён к реестру сервисов. Вопрос тривиальный, но вики правили четыре месяца назад, график дежурств с тех пор менялся дважды, а актуальный ответ лежит в одной строке базы данных.
Если поиск считает все источники одинаково надёжным текстом, ассистент может назвать человека, который давно выбыл из ротации. Это и есть проблема, которую решает Graph-RAG: так называют RAG (поиск по документам с подстановкой найденного в промпт модели), где факты хранятся в виде связей и разделены по уровням доверия. Автор разбора на Machine Learning Mastery Шитту Олумиде приводит и оценку: по исследованию IDC, спонсированному Neo4j, организации, которые опираются на графовый контекст, в среднем снижают долю галлюцинаций (выдуманных ответов) на 44%.
На практике это значит: при споре источников ассистент должен верить базе, а не вики.
Почему обычный векторный поиск ошибается
Идея взята из предыдущей статьи автора про детерминированный трёхуровневый Graph-RAG. Там чисто векторный RAG путал, за какую команду сейчас играет баскетболист: названия команд в пространстве эмбеддингов лежат рядом, и поиск не понимает, какое из них актуально. Лекарство — три уровня поиска: граф абсолютных фактов, граф фоновой статистики и векторная база. Их результаты сводятся в один ответ по явным правилам приоритета, которые записаны прямо в промпте, а не заложены в алгоритм маршрутизации.
Три источника — три уровня доверия
Сценарий учебный: у вымышленной платформенной команды Northwind три сервиса — payments-service, checkout-service и notifications-service.
- Приоритет 1 — реестр сервисов (CMDB). В примере это SQLite, в проде — Postgres. Там хранятся владелец, дежурный инженер, статус, версия, дата деплоя и уровень SLA. Данные запрашиваются при каждом обращении, поэтому по построению не устаревают.
- Приоритет 2 — вики-регламенты. Подробные, но устаревают, как только после смены дежурных их никто не обновил. Полезны, пока не противоречат более свежему источнику.
- Приоритет 3 — PDF. SLA-документ и разбор инцидента. Чётких фактов в них нет, зато есть рассказ о том, что случилось, — этот уровень служит векторным запасным вариантом.
В примере нарочно заложен конфликт: вики-регламент по payments называет дежурным Джордана Блейка, а база — Амару Чен. Вся архитектура существует ради таких расхождений. Ещё один сервис, notifications-service, помечен в базе как deprecated (выводится из эксплуатации) — это пригодится дальше.
Как это собирается
Факты из базы и вики складываются в простое хранилище «четвёрок»: субъект, предикат, объект и контекст (SPOC). Контекст — метка источника: «cmdb» или имя вики-страницы, поэтому любое расхождение можно проследить до конкретного документа. Автор написал такое хранилище с нуля, и оно работает перебором. Оригинальная библиотека индексирует поля для быстрого поиска, что важно на миллионах фактов, но для каталога одной команды перебора достаточно.
Вики разбирается регулярными выражениями по строкам вида «On-call engineer: …». Автор предупреждает: выгрузка реального Confluence так аккуратно выглядеть не будет, поэтому в проде придётся расширять шаблоны под каждый тип страниц либо добавлять лёгкий проход через LLM для страниц нестандартного вида.
Для PDF используются pdfplumber, который достаёт текст надёжнее многих лёгких аналогов, и векторная база Chroma. Библиотека spaCy распознаёт именованные сущности, чтобы вытащить названия сервисов из вопроса. Модель в примере локальная — llama3.2 через Ollama; переход на облачный API меняет лишь функцию, отправляющую финальный запрос.
Что с этим делать
Главный урок — не в выборе векторной базы, а в ранжировании источников. Строка в реестре, которую обновляет система, надёжнее страницы вики, а вики надёжнее абзаца из старого PDF. Метка источника у каждого факта позволяет ещё и показывать пользователю, откуда взят ответ.
Цифры стоит читать с поправкой: исследование IDC спонсировал Neo4j — вендор графовых баз. Автор приводит и пример: одна компания из life sciences снизила долю галлюцинаций с 20–40% до 2–5%. Это ориентир, а не гарантия, итог зависит от качества ваших данных.
Есть и ограничения. Правило приоритета в промпте — лишь инструкция для модели, и небольшая локальная модель может её нарушить. Если конфликт можно решить кодом (например, не отдавать вики-факт по тому же предикату, когда есть факт из CMDB), так надёжнее. Регулярки годятся только для шаблонных страниц, а в учебном примере всего три сервиса, так что нагрузку и качество на реальном корпусе придётся проверять отдельно. Исходный текст на этом месте обрывается на шаге с PDF, поэтому детали сборки промпта здесь не приводятся.
- 18 нояб. 2026 г.sd.cpp вместо Forge Neo: девять моделей на видеокарте 16 ГБ рисуют за 5–68 секунд
- 18 нояб. 2026 г.Mellum от JetBrains запустили локально в IDE: на MacBook M3 Pro получилось 5 баллов из 10
- 18 нояб. 2026 г.Мини-ПК за один ползунок запустил LLM на 26B: на iGPU генерация быстрее на 21–39%
- 18 нояб. 2026 г.LLM на VPS без видеокарты: 4B-модели сортируют обращения с точностью 90% за 3–5 с
Вопросы и ответы по материалу
Что известно по теме: почему обычный векторный поиск ошибается?
Идея взята из предыдущей статьи автора про детерминированный трёхуровневый Graph-RAG. Там чисто векторный RAG путал, за какую команду сейчас играет баскетболист: названия команд в пространстве эмбеддингов лежат рядом, и поиск не понимает, какое из них актуально. Лекарство — три уровня поиска: граф абсолютных фактов, граф фоновой статистики и векторная база. Их результаты сводятся в один ответ по явным правилам приоритета, которые записаны прямо в промпте, а не заложены в алгоритм маршрутизации.
Что известно по теме: три источника — три уровня доверия?
Сценарий учебный: у вымышленной платформенной команды Northwind три сервиса — payments-service, checkout-service и notifications-service. Приоритет 1 — реестр сервисов (CMDB). В примере это SQLite, в проде — Postgres. Там хранятся владелец, дежурный инженер, статус, версия, дата деплоя и уровень SLA. Данные запрашиваются при каждом обращении, поэтому по построению не устаревают. Приоритет 2 — вики-регламенты. Подробные, но устаревают, как только после смены дежурных их никто не обновил.
Что известно по теме: как это собирается?
Факты из базы и вики складываются в простое хранилище «четвёрок»: субъект, предикат, объект и контекст (SPOC). Контекст — метка источника: «cmdb» или имя вики-страницы, поэтому любое расхождение можно проследить до конкретного документа. Автор написал такое хранилище с нуля, и оно работает перебором. Оригинальная библиотека индексирует поля для быстрого поиска, что важно на миллионах фактов, но для каталога одной команды перебора достаточно.
Протестируйте новые LLM и мультимодальные модели в одном окне
Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.