Графовый поиск (GraphRAG)

Графовый поиск строит граф знаний поверх одной коллекции и отвечает на вопросы, которые не поддаются ключевому поиску: «какие темы проходят через весь каталог?», «как связаны эти сущности?». В нём живут три вида объектов:

• Сущности — названные объекты, извлечённые из ваших документов (товары, бренды, материалы, люди…), с типом, описанием, псевдонимами и документами, которые их упоминают. Связи соединяют сущности, встречающиеся вместе.
• Утверждения (claims) — структурированные фактические высказывания («ковариаты»), извлекаемые вместе с сущностями, каждое со статусом (confirmed, suspected, disputed, unverified), субъектом, объектом и исходным документом.
• Сообщества — группы связанных сущностей, для каждой модель пишет заголовок и сводку; они выстроены в иерархию уровней (уровень 0 — самый мелкий, каждый следующий — более крупное объединение).

1. Извлеките сущности

generateGraphEntities читает text_fields у каждого из document_ids (один вызов модели на документ) и вносит найденные сущности и связи. Сущность, уже известная под точно таким же name, получает этот документ в source_doc_ids вместо дубликата; новое имя дополнительно разрешается семантически против существующих сущностей того же типа, поэтому «iPhone 17» и «Apple iPhone 17» могут слиться в одну.

await client.graph.generateGraphEntities({
  collectionName: "products",
  body: {
    document_ids: ["sku-4821", "sku-4822", "sku-4823"],
    text_fields: ["title", "description"],
  },
});

Утверждения извлекаются тем же проходом. Читайте результаты через listGraphEntities и listGraphClaims (обе — в разрезе коллекции); удаляйте через deleteGraphEntity (вместе со связями сущности) и deleteGraphClaim (сущность не затрагивает).

2. Сгруппируйте сущности в сообщества

generateGraphCommunities кластеризует сущности коллекции многоуровневым алгоритмом Лувена (оптимизация модулярности) и просит модель написать короткий заголовок и сводку для каждой группы минимум из min_size сущностей, на каждом уровне до max_levels (0 — самый мелкий). Существующие отчёты коллекции заменяются. Кластеризация останавливается сама, как только проход ничего не объединил.

await client.graph.generateGraphCommunities({
  collectionName: "products",
  body: { min_size: 3, max_levels: 2 },
});

listGraphCommunities показывает отчёты; deleteGraphCommunity удаляет сводку, не трогая сущности, которые она объединяла.

3. Задавайте широкие вопросы

Глобальный поиск — globalSearchGraph — отвечает на широкий вопрос map-reduce по отчётам сообществ: каждый отчёт уровня level (по умолчанию — самый крупный из построенных: отчётов меньше, они шире и дешевле) получает один параллельный вызов модели, который предлагает ключевые тезисы с оценкой релевантности 0–100; берётся не более max_communities отчётов, выбираемых по эмбеддинг-близости к вопросу, после чего лучшие тезисы сводятся в итоговый ответ.

DRIFT-поиск — driftSearchGraph — копает на уровень глубже: подготовительный шаг (глобальный поиск по отчётам уровня level) предлагает промежуточный ответ и уточняющие вопросы, на которые отчёты сами не отвечают, и каждый из первых max_follow_ups вопросов разбирается локальным поиском по наиболее релевантным ему сущностям, после чего финальный reduce собирает ответ. DRIFT нужен, когда вопрос требует и общей картины, и конкретики.

const answer = await client.graph.globalSearchGraph({
  collectionName: "products",
  body: { question: "Какой зимний инвентарь у нас есть и чем он различается?" },
});

const detailed = await client.graph.driftSearchGraph({
  collectionName: "products",
  body: { question: "Какие бренды шьют пуховки до 15 000 ₽?", max_follow_ups: 3 },
});

Модель для любого шага можно переопределить полем model — извлечение, суммаризацию, map, local и reduce.

Что выбрать