Khi nào nên dùng KG-RAG hoặc GraphRAG thay cho RAG thông thường?

KG-RAG và GraphRAG là gì?

RAG thông thường truy hồi các đoạn văn gần câu hỏi. KG-RAG bổ sung một knowledge graph trong đó thực thể như thiết bị, khối mạch, lỗi, phép đo và quy trình được nối bằng quan hệ có kiểu. GraphRAG của Microsoft xây đồ thị thực thể–quan hệ từ tài liệu, gom đồ thị thành các cộng đồng phân cấp và tạo báo cáo tóm tắt cho từng cộng đồng để hỗ trợ cả truy vấn cục bộ lẫn câu hỏi toàn cục.

Hai thuật ngữ không hoàn toàn đồng nghĩa. KG-RAG thường nhấn mạnh đồ thị miền được thiết kế hoặc kiểm soát bằng ontology; GraphRAG là một họ quy trình dùng đồ thị và community summaries để khám phá kho văn bản lớn. Điểm chung là quan hệ trở thành đối tượng truy hồi, giúp trả lời câu hỏi cần đi qua nhiều tài liệu thay vì chỉ tìm một đoạn tương tự về từ ngữ.

Nguyên lý truy hồi trên đồ thị

Ở chế độ local search, hệ thống xác định thực thể neo trong câu hỏi, lấy các node liên quan, quan hệ, đoạn văn gốc và có thể mở rộng một hoặc vài hop. Ví dụ từ “máy thu X” có thể đi qua quan hệ “gồm khối”, “đo tại TP”, “triệu chứng”, “nguyên nhân” và “thao tác”. Subgraph được xếp hạng rồi chuyển thành ngữ cảnh để LLM giải thích chuỗi nguyên nhân.

Ở chế độ global search, câu hỏi không có điểm neo rõ như “những lỗi phổ biến của toàn bộ hệ thống” cần cái nhìn trên cả kho. GraphRAG sử dụng các community report ở nhiều mức; từng báo cáo tạo câu trả lời từng phần rồi được tổng hợp. Cách này tăng tính bao quát nhưng chi phí lập chỉ mục và token cao hơn. Chất lượng phụ thuộc mạnh vào trích xuất thực thể, hợp nhất tên và hướng của quan hệ.

Hệ thống được xây dựng và vận hành ra sao?

Pipeline bắt đầu bằng chunk tài liệu, nhận diện entity và relation, chuẩn hóa các tên đồng nghĩa rồi lưu provenance tới đoạn gốc. Đồ thị có thể được tạo tự động bằng LLM nhưng cần luật miền và bước kiểm tra để tránh node trùng hoặc quan hệ tưởng tượng. Thuật toán community detection nhóm các phần liên quan; báo cáo cộng đồng được sinh và đánh version theo tài liệu nguồn.

Khi truy vấn, bộ định tuyến quyết định dùng vector RAG, local graph hay global graph dựa trên dạng câu hỏi. Các kết quả đồ thị không thay thế bằng chứng văn bản: hệ thống vẫn phải kéo về chunk gốc để xác nhận. Cache subgraph phổ biến và cập nhật gia tăng giúp giảm độ trễ. Mọi cạnh quan trọng nên có nguồn, độ tin cậy và thời điểm cập nhật.

• Vector RAG cho câu hỏi cục bộ có đoạn trả lời rõ.
• KG-RAG cho câu hỏi nhiều bước cần quan hệ miền chính xác.
• GraphRAG cho câu hỏi toàn cục cần tổng hợp trên kho tài liệu lớn.

Ứng dụng và tiêu chí lựa chọn

Trong kỹ thuật, đồ thị phù hợp để biểu diễn cấu trúc thiết bị, phụ thuộc giữa khối, trình tự kiểm tra, quan hệ lỗi–nguyên nhân–biện pháp và phiên bản phụ tùng. Trong đào tạo, nó hỗ trợ truy vấn tiên quyết giữa môn học, chuẩn đầu ra, lớp, giảng viên và lịch học. Với nghiên cứu, GraphRAG giúp tổng hợp chủ đề, nhóm phương pháp và mối liên hệ giữa nhiều bài báo.

Không nên dùng đồ thị chỉ để tạo điểm mới lạ. Nếu câu hỏi chủ yếu tìm một quy định hoặc một đoạn manual, vector RAG đơn giản rẻ và dễ kiểm chứng hơn. Chỉ đầu tư KG/GraphRAG khi bộ test cho thấy lỗi thực sự đến từ truy vấn nhiều hop hoặc thiếu tổng quan. Chi phí ontology, hợp nhất thực thể, cập nhật và đánh giá phải được tính như một phần của sản phẩm.