Векторный поиск против Графа знаний: сколько на самом деле стоит построить и удержать GraphRAG

За год эксплуатации собственной системы памяти я сформулировал разницу между двумя подходами в одну фразу: векторный поиск отвечает на вопрос «найди мне цитату про X», а граф отвечает на вопрос «расскажи, как устроен X и кто с ним связан». Когда вы спрашиваете «какими инструментами мы пользовались в проекте за полтора года и кто в нём участвовал», правильного ответа нет ни в одном текстовом чанке целиком — векторный поиск вернёт три случайных фрагмента, а недостающие 80% картины модель уверенно досочиняет.

Часто цитируемая работа Microsoft Research (arXiv:2404.16130), обещающая победу GraphRAG в 72–83% попарных сравнений по полноте ответа, верна, но имеет жёсткие граничные условия. Замер проводился на задаче глобального обобщения корпуса (query-focused summarization на 1,0–1,7 млн токенов), причём в вилку 72–83% авторы включили и конфигурацию TS, которая вообще не использует граф, а делает map-reduce по исходным текстам.

Как не сжечь $1 500 на системном промпте при извлечении сущностей из 10 019 записей?

Когда я сел строить граф поверх 10 019 карточек знаний (5 658 заметок обучения, 2 657 фрагментов кода, 1 209 обсуждений и 155 разборов ошибок), первая наивная реализация чуть не разорила проект. Казалось естественным нарезать корпус на пачки по 200 записей и запускать консольный агент подпроцессом на каждый батч. Первый же пробный вызов стоил 15 центов: CLI-клиент при каждом старте заново подгружал системный промпт, правила и описания скиллов — 117 000 токенов служебного префикса. На 49 батчах это давало больше $7 холостого хода, а при поштучном разборе 10 019 записей счёт перевалил бы за $1 500.

Мы перестроили пайплайн: предварительно отсеяли 287 мусорных записей и запустили волны из 5–7 параллельных субагентов внутри одной живой родительской сессии, где префикс уже закэширован. Попытка поднять сразу 20 воркеров упёрлась в серверный троттлинг после 411 задач из 672, поэтому мы зафиксировали оптимум: стабильные ID батчей в манифесте и волна до 6–8 параллельных агентов.

Почему эксплуатация графа дороже его сборки и как канон-словарь сжимает проекты в 15 раз?

Каждая новая волна извлечения сущностей приносит десятки вариантов написания одних и тех же имён и брендов. Если складывать их в базу как есть, через месяц вместо одного проекта в графе оказывается пятнадцать изолированных островов. Единственное лекарство — детерминированный канон-словарь (_MAPS) перед записью в базу:

```python def canon(entity_kind: str, raw_name: str) -> str:

# Приводит сырое имя сущности к каноническому или отбрасывает шум (пустая строка) cleaned = (str(raw_name) if raw_name is not None else "").strip() return _MAPS.get(entity_kind, {}).get(cleaned, cleaned) ```

После прогона карт нормализации 1 213 сырых написаний проектов схлопнулись в 81 реальный проект (в 15 раз!), 2 542 варианта инструментов ужались до 1 068, компании — с 1 427 до 1 115, а люди — с 783 до 590. Ещё 66 псевдо-инструментов и 11 абстрактных «компаний» («Холдинг», «Библиотека») замапили в пустую строку. Попутно мы починили две классические грабли: цикл for t in stack по строковому полю вместо списка, наплодивший 96 000 мусорных рёбер к отдельным буквам алфавита (вылечено проверкой isinstance(v, list)), и взрыв автолинковки по подстроке заголовка на 27 000 ложных связей (вылечено фильтром длины от 5 символов и условием, что ключ встречается не более чем в 4 проектах, что дало 543 точных ребра about).

Когда достаточно двух таблиц SQLite вместо выделенного графового сервера?

Первая версия нашего графа жила на сервере в базе FalkorDB (поверх Redis и GraphBLAS). Там выяснилось, что диалект Cypher не поддерживает регулярки =~ и ненаправленный shortestPath(), а из-за выключенного MCP-коннектора и необходимости поднимать SSH-туннель граф с 4 743 узлами простоял 7 недель полностью отключённым от агентов.

Мы перенесли весь граф в локальный SQLite-файл размером 15 МБ из двух таблиц (nodes и edges). На масштабе 5 237 узлов и 19 803 ребра обычный SQL-запрос с двумя JOIN находит топ проектов по числу инструментов и сессий (лидер — 277 сессий и 285 инструментов) за 87 мс, а полнотекстовый FTS5 по полумиллиону сообщений отвечает за 13 мс.

Такой гибридный поиск без лишних демонов заложен в архитектуру Nomad AI и облачной платформы agent.nomadnet.ai. Научиться собирать промышленные RAG и графы знаний можно в Hamidun Academy (открыт 72-часовой триал), а скрипты канонизации доступны в Vibe Club.