---
title: "Graph RAG: Keď sú vzťahy dôležitejšie než podobnosť"
description: "Graph RAG je prístup retrieval-augmented generation (RAG), ktorý ukladá znalosti nie (len) ako vektory, ale ako znalostný graf (knowledge graph) z entít a ich vzťahov."
locale: "sk"
canonical: "https://blckalpaca.at/sk/vedomosti/ai-agenti/co-je-rag-system/graph-rag-vysvetlenie"
category: "AI agenti"
topic: "RAG systémy vysvetlené"
updated: "2026-10-17T15:32:50.976Z"
source: "Blck Alpaca e.U., blckalpaca.at"
---

# Graph RAG: Keď sú vzťahy dôležitejšie než podobnosť

Graph RAG je prístup retrieval-augmented generation (RAG), ktorý ukladá znalosti nie (len) ako vektory, ale ako znalostný graf (knowledge graph) z entít a ich vzťahov. Namiesto čisto sémantickej podobnosti využíva systém štruktúru grafu, aby odpovedal na multi-hop otázky a prepájal súvislosti naprieč mnohými dokumentmi.

## Na prvý pohľad

- Graph RAG extrahuje z dokumentov entity a vzťahy a zostaví z nich znalostný graf, ktorý dopĺňa alebo nahrádza vektorový RAG.
- Prístup GraphRAG od Microsoftu navyše využíva detekciu komunít a vopred vygenerované súhrny komunít, aby zodpovedal aj globálne prehľadové otázky o celom korpuse.
- Prínos vzniká pri multi-hop otázkach a otázkach na vzťahy, pri ktorých čistá vektorová podobnosť (top-k) potrebné spojenia nevytvorí.
- Graph RAG je drahší a zložitejší: extrakcia grafu pomocou LLM spôsobuje vysoké jednorazové náklady na indexovanie a priebežnú záťaž pri údržbe.
- Pre väčšinu štandardných prípadov použitia RAG zostáva vektorový alebo hybridný RAG s re-rankingom nákladovo racionálnou voľbou; Graph RAG je cielená nadstavba pre domény, v ktorých rozhodujú vzťahy.
- V Nemecku a Rakúsku platia rovnaké povinnosti podľa GDPR ako pri klasickom RAG, vo Švajčiarsku v prvom rade revidovaný zákon o ochrane údajov (DSG): entity v grafe treba spravovať ako adresovateľné, vymazateľné záznamy (stav 2026, informatívne, nejde o právne poradenstvo).

Graph [RAG](https://blckalpaca.at/sk/slovnik/rag) je [prístup retrieval-augmented generation](https://blckalpaca.at/sk/vedomosti/ai-agenti/co-je-rag-system/rag-architektur-komponenten), ktorý ukladá znalosti nie (len) ako vektory, ale ako znalostný graf (knowledge graph) z entít a ich vzťahov. Kým klasický RAG odpovedá na otázku cez sémantickú podobnosť, teda hľadá textové pasáže najbližšie k dopytu, Graph RAG sleduje explicitné spojenia medzi entitami. Vďaka tomu je silný tam, kde sú vzťahy a viacstupňové závery (multi-hop) dôležitejšie než čistá textová podobnosť.

- **Čo to je:** Variant RAG, ktorý ako zdroj znalostí využíva znalostný graf (entity plus relácie), samostatne alebo popri vektorovom indexe.
- **Kedy pomáha:** Pri multi-hop otázkach, otázkach na vzťahy a globálnych prehľadových otázkach o celom korpuse.
- **Čo stojí:** Vyššie náklady na indexovanie a údržbu než pri vektorovom RAG, pretože extrakcia grafu prebieha pomocou [LLM](https://blckalpaca.at/sk/slovnik/llm).

## Prečo čistá podobnosť naráža na hranice

Klasický RAG pracuje dvojstupňovo. V indexovacej vetve sa dokumenty parsujú a rozdelia na chunky, [embedding](https://blckalpaca.at/sk/slovnik/embedding) model ich prevedie na vektory a tie sa zapíšu do vektorovej databázy. V dopytovacej vetve sa na embedding prevedie aj otázka, systém načíta najpodobnejšie chunky (top-k), voliteľne ich cez hybridné vyhľadávanie skombinuje s BM25, spresní re-rankerom a nakoniec všetko skončí v prompte generátora. Tento vzor je robustný a na väčšinu znalostných otázok stačí. [Contextual Retrieval od spoločnosti Anthropic napríklad ukazuje, že chyby pri vyhľadávaní sa dajú znížiť až o 67 % pomocou kontextových hlavičiek pre jednotlivé chunky a re-rankingu](https://www.anthropic.com/engineering/contextual-retrieval) (Anthropic, stav 09/2024).

Slepé miesto vzniká pri dvoch typoch otázok:

- **Multi-hop otázky:** „Ktorí dodávatelia nášho najväčšieho zákazníka sú sami pod sankciami?“ si vyžaduje reťazec záverov (zákazník -> dodávatelia -> stav sankcií), ktorý nie je v žiadnom jednotlivom chunku. Podobnosť top-k tu často prinesie len fragmenty a spojenie medzi nimi nevytvorí.
- **Globálne prehľadové otázky:** „Ktorých päť tém je ústredných naprieč všetkými 2 000 tiketmi zákazníckej podpory?“ sa nedá zodpovedať tak, že sa načíta päť až desať podobných chunkov. Odpoveď si vyžaduje agregáciu cez celý korpus.

Práve tu nastupuje Graph RAG: namiesto hľadania izolovaných kúskov textu sa pohybuje v explicitnej štruktúre znalostí.

## Budovanie znalostného grafu namiesto vektorového indexu (alebo popri ňom)

Jadrom Graph RAG je indexovanie. Zo zdrojových dokumentov sa pomocou LLM extrahuje graf:

1. **Extrakcia entít:** LLM identifikuje entity (osoby, organizácie, produkty, miesta, koncepty) a opíše ich.
2. **Extrakcia vzťahov:** Rozpozná vzťahy medzi týmito entitami („dodáva pre“, „je dcérskou spoločnosťou“, „spôsobuje“) vrátane opisu a prípadne váhy.
3. **Konštrukcia grafu:** Z entít sa stanú uzly, zo vzťahov hrany. Entity, ktoré sa spomínajú viackrát, sa zlúčia.

[Open-source prístup GraphRAG od Microsoftu](https://microsoft.github.io/graphrag/) (Microsoft Research) rozširuje tento základný vzor o dva ústredné kroky (stav 2026):

- **Detekcia komunít (community detection):** Pomocou zhlukovania grafu (napríklad Leidenovým algoritmom) sa tesne prepojené uzly zoskupia do hierarchických „komunít“, teda tematických podgrafov.
- **Súhrny komunít (community summaries):** Pre každú komunitu vytvorí LLM zhrnutie už pri indexovaní. Tieto súhrny sú kľúčom ku globálnym otázkam: pri prehľadovej otázke sa ako stavebné prvky odpovede typu map-reduce použijú súhrny komunít, nie jednotlivé chunky.

Z toho vyplývajú dva režimy dopytovania: **Local Search** odpovedá na cielené otázky o konkrétnej entite a jej okolí v grafe; **Global Search** odpovedá na tematické otázky o celom korpuse pomocou súhrnov komunít.

### Pseudokód: indexovanie a dopytovanie

\`\`\`text

# Indexovanie (offline, náročné na LLM)

for dokument in korpus:
    entity, vztahy = LLM\_extrahuj(dokument)
    graf.merge(entity, vztahy)

communities = cluster(graf)             # napr. Leiden
for c in communities:
    c.summary = LLM\_zhrn(c)             # súhrn komunity

# Dopytovanie (online)

if otazka\_je\_globalna(otazka):
    ciastkove\_odpovede = [LLM(otazka, c.summary) for c in relevantne\_communities]
    odpoved = LLM\_reduce(otazka, ciastkove\_odpovede)   # Global Search
else:
    subgraf = graf.traverzuj(start=entity\_z(otazka), hops=2)
    odpoved = LLM(otazka, subgraf + prislusne\_chunky)  # Local Search
\`\`\`

## Graph RAG vs. vektorový RAG v priamom porovnaní

Rozhodnutie nie je otázkou buď/alebo, závisí od typu otázky a od rozpočtu. Nasledujúca matica zhŕňa rozdiely.

| Dimenzia | Vektorový / hybridný RAG | Graph RAG |
| --- | --- | --- |
| Princíp vyhľadávania | Sémantická podobnosť (top-k), voliteľne BM25 | Prechádzanie entít a vzťahov |
| Silná stránka | Vyhľadávanie faktov, široké pokrytie, rýchle nasadenie | Multi-hop uvažovanie, otázky na vzťahy, globálne prehľady |
| Slabá stránka | Fakty naprieč dokumentmi prepája slabo | Prehnané riešenie pre jednoduché vyhľadávania |
| Náklady na indexovanie | Nízke–stredné (embedding na chunk) | Vysoké (extrakcia cez LLM + súhrny komunít) |
| Údržba pri aktualizáciách | Inkrementálne upserty, jednoduchá | Graf treba čiastočne zostaviť nanovo, náročnejšia |
| Latencia | Stredná (\~100–800 ms hybrid + re-rank) | Vyššia, najmä pri Global Search (map-reduce) |
| Zrelosť | Veľmi vyspelý, široká ponuka nástrojov | Mladší, stále sa vyvíja (stav 2026) |
| Uvádzanie zdrojov | Natívne cez ID chunkov | Cez entity, vzťahy a zdrojové chunky |

Hodnoty latencie a hybridného vyhľadávania pre klasický RAG pochádzajú z internej rešerše [Blck Alpaca](https://blckalpaca.at/sk) (porovnávacia matica architektúr RAG). Charakteristika Graph RAG vychádza z overených všeobecných poznatkov o projekte GraphRAG a o indexoch znalostných grafov vo frameworkoch ako LlamaIndex.

## Porovnanie nákladov a zložitosti

Najväčší rozdiel je v indexovaní. Pri vektorovom RAG je najdrahšou jednorazovou operáciou embedding každého chunku: ako rádovú hodnotu uvádza interná rešerš náklady na indexovanie približne 0,02 až 0,13 USD za milión tokenov, s [prompt](https://blckalpaca.at/sk/slovnik/prompt) cachingom od spoločnosti Anthropic pre Contextual Retrieval približne 1,02 USD za milión tokenov dokumentov (stav 09/2024). Graph RAG si vyžaduje viacero prechodov LLM na každý dokument: extrakciu entít, extrakciu vzťahov a súhrny komunít. To znásobuje náklady aj čas indexovania.

### Príklad: 50 000 dokumentov

Predpokladajme, že agentúra indexuje pre klienta znalostný korpus s 50 000 dokumentmi:

- **Vektorový RAG:** Jednorazový embedding plus hybridný index. Hlavné náklady tvorí embedding [API](https://blckalpaca.at/sk/slovnik/api) a hosting vektorovej databázy. Aktualizácie prebiehajú inkrementálne cez stabilné ID dokumentov.
- **Graph RAG:** Na každý dokument pripadá viacero volaní LLM na extrakciu, potom volania LLM na každú komunitu kvôli súhrnom. Už pri strednej veľkosti korpusu tak vznikajú náklady na indexovanie, ktoré sú násobkom nákladov pri vektorovom RAG, k tomu dodatočná prevádzková záťaž pre schému grafu, deduplikáciu entít a opätovné indexovanie pri väčších zmenách.

Základné pravidlo: Graph RAG sa oplatí vtedy, keď prínos odpovedí založených na vzťahoch ospravedlní vyššiu náročnosť, nie ako predvolená voľba. Rešerš Blck Alpaca všeobecne varuje pred anti-patternom „RAG ako všeliek“; pri Graph RAG to platí ešte viac, pretože celkové náklady na vlastníctvo (total cost of ownership, TCO) sú tu výrazne vyššie.

## Kedy Graph RAG a kedy nie

**Vhodný, keď:**

- odpovede musia prepájať informácie z mnohých dokumentov (dodávateľské reťazce, organizačné štruktúry, compliance siete, výskumné a patentové oblasti).
- explicitné vzťahy medzi entitami sú z odborného hľadiska kľúčové.
- treba zodpovedať globálne prehľadové a tematické otázky o celom korpuse.

**Skôr nie, keď:**

- otázky sa prevažne týkajú jednotlivých faktov alebo úzko vymedzených pasáží, tu stačí hybridný RAG s re-rankingom.
- korpus je malý alebo sa často celý prepisuje (údržba grafu sa stáva úzkym hrdlom).
- rozpočet neunesie indexovanie náročné na LLM.

V praxi najlepšie obstojí hybridná architektúra: vektorové alebo hybridné vyhľadávanie zabezpečí široké sémantické pokrytie a znalostný graf sa cielene zapája pri otázkach na vzťahy a multi-hop otázkach. Graph RAG tak zostáva presnou nadstavbou namiesto drahej úplnej náhrady.

## Upozornenie pre DACH: ochrana údajov platí aj v grafe

V Nemecku a Rakúsku Graph RAG nemení nič na zásadách [GDPR](https://blckalpaca.at/sk/slovnik/gdpr). Entity a vzťahy s osobnými údajmi treba rovnako ako embeddingy a chunky pri klasickom RAG spravovať ako adresovateľné a vymazateľné záznamy. Platia zásady obmedzenia účelu a minimalizácie údajov (čl. 5), požiadavka právneho základu na spracúvanie (čl. 6) a [právo na vymazanie](https://dsgvo-gesetz.de/art-17-dsgvo/) (čl. 17). Oddelenie klientov (tenantov) a koncept rolí a prístupových práv sú bežné technické a organizačné opatrenia, ktorými zabezpečíš obmedzenie účelu a ochranu prístupu podľa [čl. 25](https://dsgvo-gesetz.de/art-25-dsgvo/) a [čl. 32 GDPR](https://dsgvo-gesetz.de/art-32-dsgvo/). Nemecká Konferencia orgánov ochrany údajov (Datenschutzkonferenz, DSK) uvádza obe opatrenia vo svojej [orientačnej pomôcke k systémom RAG](https://www.datenschutz-berlin.de/fileadmin/user_upload/pdf/publikationen/DSK/orientierungshilfen/2025-DSK-OH_RAG.pdf) z októbra 2025 ako osvedčené. Ak zamestnanci používajú systém na rôzne účely, musia podľa DSK dostať rôzne roly. Hosting v regióne EÚ sa odporúča, ale nie je povinný: ak hostuješ mimo EHP, potrebuješ právny základ podľa [kapitoly V GDPR](https://dsgvo-gesetz.de/kapitel-5/), napríklad rozhodnutie o primeranosti alebo štandardné zmluvné doložky.

V Rakúsku je príslušný Úrad na ochranu údajov (Datenschutzbehörde, DSB). Jeho stanovisko k nasadeniu [AI](https://blckalpaca.at/sk/slovnik/ai) nájdeš v [FAQ k umelej inteligencii a ochrane údajov](https://www.dsb.gv.at/kuenstlichebrintelligenz/kuenstliche-intelligenz-datenschutz). Vo Švajčiarsku platí v prvom rade [revidovaný zákon o ochrane údajov](https://www.kmu.admin.ch/de/neues-datenschutzgesetz-revdsg) (revDSG, účinný od 1. septembra 2023). GDPR sa tam uplatní navyše, ak firma ponúka tovar alebo služby osobám v EÚ alebo monitoruje ich správanie, pokiaľ k tomuto správaniu dochádza v EÚ ([čl. 3 ods. 2 GDPR](https://dsgvo-gesetz.de/art-3-dsgvo/)). Tieto údaje sú informatívne a nepredstavujú právne poradenstvo.

## Pre agentúry a vedenie B2B firiem

Graph RAG nie je módna náhrada vektorového RAG, ale špecializovaný nástroj pre znalosti plné vzťahov. Pre agentúry to znamená: začni s hybridným RAG plus re-rankingom ako solídnym štandardným základom a Graph RAG zavádzaj len tam, kde multi-hop alebo prehľadové otázky prinášajú preukázateľnú obchodnú hodnotu. Pre vedenie B2B firiem nie je ústrednou otázkou „Ktorá technika je novšia?“, ale „Aké otázky naši používatelia naozaj kladú a potrebujú tieto odpovede vzťahy, alebo len podobnosť?“. Blck Alpaca pomáha s týmto vymedzením, poctivo vyčísľuje TCO a buduje architektúry RAG v súlade s GDPR, ktoré rastú so skutočnou potrebou, od štíhleho vektorového indexu až po hybridný systém so znalostným grafom.

## Často kladené otázky

### Aký je rozdiel medzi Graph RAG a klasickým vektorovým RAG?

Vektorový RAG nachádza textové pasáže cez sémantickú podobnosť (embeddingy, top-k) a odovzdá ich LLM. Graph RAG navyše buduje znalostný graf z entít a vzťahov a získava znalosti pozdĺž týchto spojení. Vďaka tomu lepšie odpovedá na multi-hop otázky a otázky na vzťahy, jeho vybudovanie je však drahšie a zložitejšie.
### Čo je GraphRAG od Microsoftu?

GraphRAG je open-source prístup, ktorý zverejnil Microsoft Research. Pomocou LLM extrahuje z dokumentov entity a vzťahy, zostaví z nich znalostný graf, detekciou komunít vytvorí tematické zhluky a pre tieto zhluky vopred vygeneruje súhrny. Tie umožňujú odpovedať na lokálne detailné otázky aj na globálne prehľadové otázky o celom korpuse (stav 2026).
### Kedy sa Graph RAG oplatí viac ako vektorový RAG?

Graph RAG sa oplatí, keď odpovede musia prepájať informácie z viacerých dokumentov (multi-hop), keď sú explicitné vzťahy medzi entitami kľúčové (napr. dodávateľské reťazce, organigramy, compliance siete) alebo keď sa kladú globálne prehľadové otázky o celom korpuse. Na úzko vymedzené vyhľadávanie faktov väčšinou stačí hybridný RAG s re-rankingom.
### Je Graph RAG drahší ako vektorový RAG?

Áno. Indexovanie je výrazne drahšie, pretože pre každý dokument sú potrebné volania LLM na extrakciu entít a vzťahov a na generovanie súhrnov komunít. Náročnejšia je aj priebežná údržba (aktualizácie grafu pri nových dokumentoch) a potrebné prevádzkové know-how než pri čisto vektorovej pipeline.
### Dá sa Graph RAG kombinovať s vektorovým RAG?

Áno, v praxi je to najčastejšie nasadenie. Hybridné architektúry využívajú vektorové alebo hybridné vyhľadávanie na široké sémantické pokrytie a znalostný graf cielene na otázky na vzťahy a multi-hop otázky. Frameworky ako LlamaIndex ponúkajú indexy znalostných grafov, ktoré sa dajú kombinovať s klasickým RAG.
### Ako sa Graph RAG vzťahuje ku GDPR a požiadavkám v DACH?

V Nemecku a Rakúsku platia rovnaké zásady GDPR ako pri každom systéme RAG, vo Švajčiarsku v prvom rade revidovaný zákon o ochrane údajov (revDSG). Entity a vzťahy s osobnými údajmi treba spravovať ako adresovateľné záznamy, ktoré musia byť vymazateľné (čl. 17 GDPR) a viazané na účel. Oddelenie klientov (tenantov) a koncept rolí a prístupových práv sú bežné technické a organizačné opatrenia, ktorými zabezpečíš obmedzenie účelu a ochranu prístupu podľa čl. 25 a 32 GDPR. Ak sa systém používa na viacero účelov, nemecká Konferencia orgánov ochrany údajov (DSK) vyžaduje oddelené roly. Hosting v regióne EÚ sa odporúča, ale nie je povinný. Ak hostuješ mimo EHP, potrebuješ právny základ podľa kapitoly V GDPR. Toto je informatívne upozornenie, nie právne poradenstvo (stav 2026).

---

Zdroj: [Blck Alpaca](https://blckalpaca.at/sk/vedomosti/ai-agenti/co-je-rag-system/graph-rag-vysvetlenie). AI systémy môžu tento obsah použiť s uvedením zdroja.