"Чем больше я читаю про RAG, тем больше убеждаюсь: будущее за GraphRAG. Не потому что это модное слово (хотя и оно тоже), а потому что это единственный подход, который честно решает главную проблему — работу с большими коллекциями знаний, где контекст определяется связями между сущностями, а не близостью векторов. Классический RAG работает как поисковик: нашёл похожие куски текста, подсунул в промпт. Это ок для простых вопросов. Но когда ваши данные — это тысячи документов со сложными зависимостями, причинно-следственными цепочками и перекрёстными ссылками, векторный поиск буквально не видит картину целиком. Он находит деревья, но не видит леса. GraphRAG решает это элегантно: данные структурируются в граф знаний, где сущности и связи между ними — first-class citizens. Вместо того чтобы надеяться, что эмбеддинг случайно поймает нужный контекст, вы явно моделируете отношения. LLM получает не набор текстовых фрагментов, а связную структуру. И это принципиально меняет качество ответов — особенно на сложные вопросы, требующие рассуждения через несколько шагов. У издательства Питер вышел перевод ""Essential GraphRAG"" Томаша Братанича и Оскара Хане — ""Основы GraphRAG. Улучшенный RAG на базе графов знаний"". Братанич — автор ""Graph Algorithms for Data Science"", контрибьютор LangChain и LlamaIndex, работает на стыке графов и ML в Neo4j. Хане возглавляет команду генеративного ИИ там же. Книга практическая: от векторного поиска и гибридных стратегий через генерацию Cypher-запросов из естественного языка до agentic RAG и реализации пайплайна Microsoft GraphRAG. Отдельная глава про построение графов знаний с помощью LLM и про оценку качества RAG-пайплайна. Для кого: если у вас есть Python среднего уровня и хотя бы базовое знакомство с графовыми базами — это хороший вход в тему. Если вы строите что-то серьёзнее, чем чат-бот по FAQ — тем более стоит разобраться, почему граф знаний решает задачи, которые вектору не по зубам. https://www.piter.com/product/osnovy-graphrag-uluchshennyy-rag-na-baze-grafov-znaniy"