Apa itu Graph RAG (Graph Retrieval-Augmented Generation)?

Apa itu Graph RAG?

Graph RAG (Graph Retrieval-Augmented Generation) adalah paradigma RAG lanjutan yang dikembangkan oleh Microsoft Research (dipublikasikan pertama kali melalui riset arXiv:2404.16130 pada 2024). Sistem ini dirancang untuk mengatasi kelemahan mendasar RAG berbasis vektor konvensional saat menangani pertanyaan komprehensif atau berskala makro.

Sistem RAG vektor tradisional sangat baik untuk menjawab pertanyaan eksplisit lokal (misalnya "Siapa penanggung jawab proyek X?"), namun gagal ketika diminta menjawab pertanyaan global yang membutuhkan pemahaman menyeluruh atas seluruh kumpulan data (misalnya "Apa saja tema utama dan pola konflik yang terjadi dalam dokumen selama satu tahun terakhir?").

Graph RAG memecahkan masalah ini dengan memanfaatkan model bahasa besar (LLM) untuk membaca seluruh korpus, mengekstrak entitas dan hubungan di antaranya, lalu membangun knowledge graph (graf pengetahuan) berstruktur hierarkis.

Cara kerja Graph RAG

Arsitektur Graph RAG bekerja dalam dua tahap utama:

1. Fase Pembuatan Indeks (Indexing Pipeline)

• Ekstraksi Entitas & Relasi: LLM mengekstrak semua entitas (orang, organisasi, tempat, konsep) dan hubungan di antara mereka dari teks sumber.
• Deteksi Komunitas Graf: Graph RAG menerapkan algoritma Leiden Community Detection untuk mengelompokkan node-node yang saling berhubungan erat menjadi klaster komunitas dari tingkat makro hingga mikro.
• Peringkasan Komunitas (Community Summaries): Untuk setiap komunitas graf yang terbentuk, LLM membuat laporan rangkuman eksekutif modular yang merangkum poin-poin utama klaster tersebut.

2. Fase Kueri (Query Pipeline)

• Global Search: Untuk pertanyaan bertema luas, sistem menelusuri rangkuman komunitas graf di tingkat hierarki atas menggunakan pendekatan map-reduce, menghasilkan sintesis menyeluruh tanpa perlu menelusuri jutaan vektor satu per satu.
• Local Search: Untuk pertanyaan entitas tertentu, sistem mengeksplorasi hubungan langsung antarnode tetangga dalam graf, memadukan teks sumber dengan metadata relasi.

Perbedaan Vektor RAG vs Graph RAG

Fitur	Vektor RAG Tradisional	Graph RAG
Unit Pencarian	Potongan teks (chunk) berbasis kesamaan kosinus	Node entitas, relasi tepi, dan ringkasan komunitas
Tipe Pertanyaan	Pertanyaan sempit / pencarian fakta lokal	Pertanyaan luas lintas korpus (query-focused summarization)
Keterkaitan Antardata	Terbatas pada kedekatan teks lokal	Memetakan hubungan implisit antardokumen berbeda
Biaya Indeksasi	Rendah (hanya komputasi embedding)	Lebih tinggi (membutuhkan panggilan LLM untuk ekstraksi graf)

Batasan dan salah paham umum

• Bukan solusi instan untuk semua data: Graph RAG membutuhkan proses indeksasi awal yang cukup intensif terhadap komputasi LLM. Untuk kumpulan data kecil atau FAQ sederhana, Vector RAG standar jauh lebih efisien.
• Biaya pembuatan graf: Mengekstrak ribuan entitas dan relasi dari ratusan dokumen membutuhkan biaya API yang lebih tinggi dibandingkan sekadar menghasilkan vektor embedding.
• Kualitas graf tergantung model ekstraktor: Jika model yang digunakan untuk mengekstrak entitas kurang teliti, struktur graf yang dihasilkan bisa bias atau memiliki relasi palsu.

Rujukan resmi

• Microsoft Research — From Local to Global: A Graph RAG Approach to Query-Focused Summarization: arxiv.org/abs/2404.16130 (Pengecekan: 9 Oktober 2026)
• Microsoft Open Source — GraphRAG Repository and Documentation: github.com/microsoft/graphrag (Pengecekan: 9 Oktober 2026)