> A Microsoft GraphRAG 3.2.0 tesztje: MIT, karbantartási mód és egy indexelési számla, amely az első lekérdezés előtt eldől. > > Web page: https://balazscsorba.com/hu/blog/graphrag · Language: Magyar · Also available in: [English](https://balazscsorba.com/blog/graphrag.md) · [Deutsch](https://balazscsorba.com/de/blog/graphrag.md) > Author: Balázs Csorba · Published: 2026-09-08 · Keywords: graphrag, microsoft graphrag, graphrag vs vector rag, graphrag indexing cost, graphrag query modes, graphrag lightRAG comparison, knowledge graph rag, graphrag dynamic community selection [Blog](https://balazscsorba.com/hu/blog)/Retrieval és keresés # Microsoft GraphRAG: tudásgráfos RAG, előre kifizetve A Microsoft GraphRAG 3.2.0 tesztje: MIT, karbantartási mód és egy indexelési számla, amely az első lekérdezés előtt eldől. [Balázs Csorba](https://balazscsorba.com/hu/about)·2026\. szeptember 8.·10 perc olvasás - Knowledge graph - RAG - Global search - Community summaries - Token cost ![Hat kör hálózatot alkot balra, nyíl vezet egy nagy dobozhoz, súlyos kapu zárja el.](https://balazscsorba.com/images/blog/graphrag/cover.webp?v=b3b98fb6d2) ## A lényeg röviden - A GraphRAG 3.2.0 2026. szeptember 23-án jelent meg MIT alatt, miközben a repository azt állítja, nagyrészt karbantartási módban van és nem jön új funkció. - A számla indexeléskor keletkezik: egy modellhívás TextUnitonként és egy közösségi jelentésenként; 500 oldalas korpuszra 50–200 dollárt várnak, a vektorba ágyazás ugyanakkor 5 dollár alatt marad. - A globális keresés az a mód, amit a vektorkeresés nem tud utánozni, a dinamikus közösségválasztás pedig 77%-kal csökkenti a tokenköltségét, mért minőségveszteség nélkül. - A LazyGraphRAG a vektorszintű indexelési költséget hozza a teljes GraphRAG 0,1%-áért, de a Microsoft Discoveryben és az Azure Localban van, nem a MIT-csomagban. - A gráf csak akkor térül meg, ha a kérdések korpuszszintűek vagy többugrásosak; a keresgéléstől hemzsegő terhelés a vektorkeresésen marad olcsóbb. Ezen az oldalon 1. [Mi ez](https://balazscsorba.com/#what-it-is) 2. [Hogyan működik](https://balazscsorba.com/#how-it-works) 3. [Első lépések](https://balazscsorba.com/#getting-started) 4. [Mennyibe kerül az indexelés](https://balazscsorba.com/#indexing-cost) 5. [Mennyibe kerülnek a lekérdezések](https://balazscsorba.com/#query-cost) 6. [Miben gyenge](https://balazscsorba.com/#where-it-shingles) 7. [Ítélet](https://balazscsorba.com/#verdict) 8. [Források](https://balazscsorba.com/#sources) Cikk meghallgatása 0:000:00 A GraphRAG a Microsoft Research MIT-licencű pipeline-ja, amely egy korpuszt tudásgráffá alakít, Leiden-algoritmussal klaszterez, és a kérdések feltevése előtt közösségenként írat egy összefoglalót a modellel. Az itt képviselt álláspont az, hogy ez a legjobban dokumentált Graph-RAG, és hogy az érdekes rész már nem a konstrukció: a repository karbantartási módban van, és amit egy csapatnak tényleg meg kell válaszolnia, az az, hogy az indexelési számla megáll-e a vektorkereséssel szemben. A sima vektorkereséssel, a könnyebb graph-pipeline-okkal, például a LightRAG-gel, valamint a LlamaIndex- és Neo4j-eszközök beépített graph-lekérdezésével verseng. A különbség azért számít, mert a GraphRAG nem szolgáltatás: egy Python-csomag, amely az olvasó saját tokenjeit költi az index felépítésére, majd négy lekérdezési módot kínál könyvtári függvényként. A Microsoft semmit nem számláz és semmit nem üzemeltet, a README pedig azt mondja, hogy a kód bemutató, nem hivatalosan támogatott Microsoft-termék. ## Mi ez A dizájn szándékosan előre tölti a munkát. A dokumentumok TextUnitokra hasadnak, a modell kinyeri az entitásokat és kapcsolatokat minden egységből, a duplikált leírásokat összefésüli és összefoglalja, a Leiden-klaszterezés a graffot közösségi hierarchiába rendezi, majd további egy modellkör közösségenként és szintenként ír egy jelentést. Csak ezután fut egy kérdés, és addigra a költséges munka már ki van fizetve. - MIT licenc, a PyPI-n `graphrag` csomagként, jelenlegi kiadás 3.2.0 (2026. szeptember 23.), Python 3.11–3.13. - Körülbelül 36.200 star, 3.800 fork és 495 commit a GitHubon, továbbá 49 nyitott issue és pull request. - A TextUnitok alapból 1.200 tokenesek: a nagyobb chunkok gyorsabban indexelnek, de kevésbé precízen extrahálnak. - A közösségek felismerése hierarchikus Leiden-algoritmussal történik, és nem kerül modellhívásba; minden közösség összefoglalása már igen. - Négy lekérdezési mód van a csomagban — global, local, DRIFT és basic —, plusz a dinamikus közösségválasztás a globális kereséshez. - A CLI négy indexelési módot nevez meg: standard, fast, standard-update és fast-update, és van külön update parancs a módosult dokumentumokhoz. - Minden hívás a saját végpontunkra megy — Azure OpenAI, OpenAI vagy kompatibilis szolgáltatás —, így a költség a modellár és a korpusz méretének függvénye. Kettő következik ebből. Az index eszközzé válik, nem melléktermékké: az entitásleírások és a közösségi jelentések olvasható produktumok, amelyeket bármilyen más kimenethez hasonlóan át lehet nézni, meg lehet osztani és lehet versionálni. A gráf pedig csak annyira jó, amennyire az extrakciós kör, tehát olyan korpusznál, ahol az entitástípusok számítanak, az első teljes futás előtt kell hangolni, nem utána. ## Hogyan működik Az indexelés rögzített sorrend: darabolás, extrakció, összefésülés, klaszterezés, összefoglalás, beágyazás. Minden szakasz vagy egységenként egy modellhívást fizet, vagy semmit, és pontosan ez a határ termeli a számlát — egy extrakciós hívás TextUnitonként, egy összefoglaló hívás összefésült entitáson vagy kapcsolatonként, és egy jelentéshívás közösségenként a hierarchia minden szintjén. ![Egy GraphRAG-index, majd négy lekérdezési mód Az indexelés a korpuszt TextUnitokra bontja, egységenként egy modellhívást költ extrakcióra, a graffot Leidennel klaszterezi, és közösségenként egy modellhívást a jelentéseknek. A kérdés ezután egy négy mód valamelyikére kerül: globális map-reduce a jelentések felett, helyi keresés entitások körül, DRIFT további kérdésekkel, vagy alap vektorkeresés ugyanazokon a beágyazásokon.](https://balazscsorba.com/images/blog/graphrag/diagram-8.webp?v=0c7be5c684) A költséges sor az első: minden lekérdezés egy már kifizetett indexet használ újra. A négy mód a termék felülete. A globális keresés map-reduce-t futtat a közösségi jelentések felett, és ezt a módot a vektorkeresés nem tudja utánozni, mert egyetlen chunk sem tartalmaz korpuszszintű választ. A helyi keresés a gráfot járja be elnevezett entitások körül, és nagyjából annyiba kerül, mint a vektor-lekérdezés plusz a bejárás. A DRIFT a legrelevánsabb jelentésekből indul, kérdéseket generál, és mindegyiket helyben megválaszolja. A basic keresés a csomag saját vektorkeresése, hogy egy csapat mérni tudja, mit veszít a gráf a saját adatain. ## Első lépések A belépési pont egy könyvtár, egy init parancs és két fájl. Az alábbi sorrend létrehoz egy munkaterületet, egy használható modellre állítja, indexeli a kis input mappát, és feltesz egy globális kérdést; a settings.yaml-ben dől el a számla, az első futásnak ezért kis korpusznál és olcsó modellnél kell maradnia, amíg a promptok nincsenek hangolva. ``` python -m venv .venv && source .venv/bin/activate python -m pip install graphrag mkdir ragtest && cd ragtest graphrag init -r . -m gpt-4.1 -e text-embedding-3-large # write GRAPHRAG_API_KEY into the .env that init created # drop a few .txt or .md files into ./input, then index: graphrag index -r . -m standard # global is the default; this prunes reports before the map-reduce step graphrag query "What are the top themes across these documents?" -r . \ --dynamic-community-selection graphrag query "Who is the main character?" -r . -m local graphrag update -r . -m standard-update ``` Két szokás tartja kicsiben az első számlát. Mintát indexelj a teljes korpusz helyett, mert a pipeline egységenként és közösségi szintenként hívja a modellt, bármilyen is a modell ára; és a skálázás előtt futtasd a prompt-tune parancsot, mert a dokumentáció szerint a kész promptok ritkán adják a legjobb eredményt. **A karbantartási mód a kockázat része** A README szerint a projekt nagyrészt karbantartási módban van, nem fogad új pull requesteket és nem vezet be új funkciókat, a hibajavítások és függőségfrissítések pedig szükség szerint történnek. Azt is mondja, hogy a közzétett kód bemutató, nem hivatalosan támogatott Microsoft-termék. Egy olyan csapatnak, amely évekig üzemelteti ezt a pipeline-t, mindkét mondat a kockázati nyilvántartásba tartozik, az indexelési számla mellé. ## Mennyibe kerül az indexelés Nincs licencdíj és nincs üzemeltetett szolgáltatás, így a teljes költség modellhívás. Az extrakció egyszer fut TextUnitonként, a jelentéskészítés közösségenként és szintenként, vagyis a számla a korpusz méretével és a Leiden-hierarchia által előállított közösségek számával nő. Az alábbi számok egy 2026 márciusában megjelent, GPT-4-es árakon számolt független összehasonlításból származnak, nem Microsoft-árból: Megközelítés 500 oldalas index Idő Amit kapsz GraphRAG teljes pipeline 50–200 $ kb. 45 perc entitásgráf, közösségi jelentések, globális keresés Vektorkeresés 5 $ alatt percek chunkok hasonlóság szerint, nincs globális lekérdezés LightRAG kb. 0,50 $ kb. 3 perc lapos gráf, gyengébb globális lekérdezések LazyGraphRAG a teljes GraphRAG 0,1%-aként megadva nincs megadva nem része a MIT-csomagnak A Microsoft Research által publikált ellenszer a LazyGraphRAG, amely a modellalapú extrakciót névszó-kivonatra cseréli, és minden modellhívást a lekérdezés idejére halaszt. Az indexelési költségét a vektorkereséssel azonosnak és a teljes GraphRAG 0,1%-aként megadják, ugyanez az értékelés pedig a globális keresés minőségét több mint 700-szor alacsonyabb lekérdezési költségen, illetve annak 4%-áért jobb minőségként jelenti. A megvalósítás a Microsoft Discoveryben és az Azure Localban található, nem a MIT-csomagban, így a nyílt forrású pipeline-t üzemeltető csapat nem telepítheti: a szám irányt mutat, nem polcon lévő opciót. ## Mennyibe kerülnek a lekérdezések A lekérdezési költség az, ahol a módok különböznek, és ahol az index visszakeresi a már befektetett pénzt, vagy sem. A globális keresés a drága, mert kötegenként olvassa a közösségi jelentéseket, majd összefésüli őket; a másik három a gráf töredékét olvassa: Mód Mit olvas Költségprofil Mikor Global közösségi jelentések egy szinten vagy szűrt kiválasztás a jelentések számával nő korpuszszintű szintézis Local entitás-környezet és a hozzá tartozó TextUnitok vektorlekérdezés plusz bejárás entitás- és kapcsolatkérdések DRIFT legjobb jelentések, majd helyben megválaszolt kérdések local és global között szűkebb kérdések, amelyeknek fedés kell Basic beágyazott TextUnitok a csomag saját vektoralapja egyugrásos ténykeresések A dinamikus közösségválasztás az első sor publikált megoldása: egy olcsóbb modell a gyökértől kiindulva értékeli a jelentéseket, és a map-reduce előtt kivágja a lényegtelen ágakat. A Microsoft Research 50 globális kérdésen átlagosan 77%-os tokenköltség-csökkenést mért a statikus 1. szintű kereséssel szemben, miközben mintegy 1500 jelentés 470-re csökkent, a minőségben pedig nem volt statisztikailag szignifikáns különbség; ha a minősítés a 3. szintig folytatódott, az átlagosan 34%-kal került többe, és 58,8%-ot nyert a Comprehensiveness, 60,0%-ot az Empowerment mérőszámon. Ezek gyártói számok egyetlen adathalmazon, de az irány nem kérdéses — ne fizessünk olyan jelentésekért, amelyek nem tudják megválaszolni a kérdést. ## Miben gyenge A gyengeségek üzemeltetésiek, nem algoritmikusak. A repository karbantartási módban van, így a promptformátumok, a modell viselkedése és a függőségek elcsúszása az olvasó dolga, a README pedig bemutatónak nevezi a kódot. A frissítés külön parancs, nem háttérfeladat: a dokumentumok változnak, az entitások egyesülnek, a közösségek eltolódnak, és a frissítési módok is modellhívások árán extrahálják a módosult szöveget. A gráf hordozza az ontológiát is, mert az entitás- és kapcsolattípusok a nyílt extrakcióból jönnek, a zajos korpusz tehát zajos grádot ad. A legfontosabb viszont, hogy az index akkor is ki van fizetve, ha érkeznek kérdések — ez a vektorkeresés lekérdezésenkénti fizetési modelljének ellenkezője. Eszköz Mi az Hol fut Mibe kerül GraphRAG teljes pipeline közösségi összefoglalókkal Python-csomag a saját kulcsainkkal modellhívások indexeléskor és lekérdezéskor Vektorkeresés chunk-beágyazások és hasonlóságkeresés bármely vektortároló beágyazási hívások, olcsó lekérdezések LightRAG lapos gráf könnyebb extrakcióval Python-csomag a saját kulcsainkkal az összehasonlítás szerint az indexköltség kb. 1/100-e Graphiti időbeli gráf ügynök-emlékezethez a saját rendszerünk Neo4j-példánnyal extrakció interakciónként Ezt a táblát annak a kérdésnek az állításaként olvasd, amelyre az egyes rendszerek épülnek. A GraphRAG korpuszszintű és többugrásos kérdésekre válaszol, amelyeket egyetlen chunk sem tartalmaz; a vektorkeresés a keresgélő kérdéseket gyorsabban és olcsóbban oldja meg, ezért szállít a GraphRAG saját basic módot, mintha a gráf mindenhol nyerne. A LightRAG az ésszerű alapértelmezés, ha a lapos gráf a költség töredékéért a legtöbb értéket megadja, a Graphiti pedig ügynök-emlékezethez old meg problémát, nem dokumentumkeresést. Az itt képviselt álláspont az, hogy a legtöbb csapat azért nyúl a teljes pipeline-hoz, mert a benchmarkja meggyőző, miközben a lekérdezéseik zöme keresgélés — a legolcsóbb első lépés pedig lemérni ezt az arányt, mielőtt bármit indexelnénk. ## Ítélet A GraphRAG a megfelelő eszköz olyan korpuszhoz, amelynek kérdései valóban globálisok, és rossz alapértelmezés egy keresőmezőhöz. Ez a legjobban dokumentált Graph-RAG, MIT alatt van, és az index újrafelhasználható produktum, emberek által olvasható jelentésekkel; ugyanakkor karbantartási módban van, előre fizetendő, és lassabban változik, mint amit indexel. Kis első korpuszon és mért lekérdezési aránnyal vezesd be, vagy ne vezesd be. 1. Akkor válaszd, ha a kérdések jelentős része korpuszszintű szintézist igényel: témák, trendek, összehasonlítások mindenen. 2. Akkor válaszd, ha a válasz olyan entitások közötti ugrásokon múlik, amelyek sosem szerepelnek ugyanabban a chunkban. 3. Akkor válaszd, ha magának az indexnek van értéke — jelentések, amelyeket emberek olvasnak, megosztanak és ellenőriznek —, mert ezért fizetsz előre. 4. Ne válaszd keresgéléstől hemzsegő keresőmezőhöz: a vektorkeresés lekérdezésenként olcsóbb, a GraphRAG saját basic módja pedig pont ez a keresés. 5. Ne kezeld fenntartott függőségként; a repository karbantartási módról és új funkciók nélkül beszél. 6. A teljes futás előtt mérd meg a lekérdezési arányt, és indexelj mintát a dinamikus közösségválasztással. További szempont, hogy hol él az index. Batch-termék, és oda tartozik, ahová a batch-termékek: pipeline építi, versionálja, ellenőrzi és cseréli, nem egy kéréskezelőből épül újra. A gráf tartalmának mechanikája — entitások, TextUnitok, közösségek — egy korábbi írásban szerepel a [tudásgráfos RAG](https://balazscsorba.com/hu/blog/graphrag-knowledge-graph-rag) -ről; ez az írás a megvalósításról, a módokról és a számláról szól. > GraphRAG indexing can be an expensive operation, please read all of the documentation to understand the process and costs involved, and start small. ## Források 1. [GraphRAG on GitHub](https://github.com/microsoft/graphrag) 2. [GraphRAG documentation](https://microsoft.github.io/graphrag/) 3. [From Local to Global: A Graph RAG Approach to Query-Focused Summarization](https://arxiv.org/abs/2404.16130) 4. [GraphRAG: Improving global search via dynamic community selection](https://www.microsoft.com/en-us/research/blog/graphrag-improving-global-search-via-dynamic-community-selection/) 5. [LazyGraphRAG: Setting a new standard for quality and cost](https://www.microsoft.com/en-us/research/blog/lazygraphrag-setting-a-new-standard-for-quality-and-cost/) 6. [Graph RAG in 2026: What Actually Works in Production](https://www.paperclipped.de/en/blog/graph-rag-production/) ## Gyakori kérdések Mennyibe kerül a GraphRAG üzemeltetése? A csomag MIT, és semmit nem üzemeltetnek, így a teljes számla modellhívás: egy extrakciós hívás 1200 tokenes TextUnitonként, egy összefoglaló hívás összefésült entitáson vagy kapcsolatonként, és egy jelentéshívás közösségenként a hierarchia minden szintjén. Egy független összehasonlítás szerint 500 oldalas korpusz indexelése a teljes pipeline-on 50–200 dollárba és kb. 45 percbe kerül, ugyanez a korpusz viszont 5 dollár alatt beágyazható a vektorkeresésbe. Mikor veri le a GraphRAG a vektorkeresést? Ha a választ a teljes korpuszból kell összefoglalni, vagy olyan entitások között kell ugrani, amelyek sosem állnak egy chunkban: témák, trendek, mindent átfogó összehasonlítások. A közvetlen ténykeresések egyetlen chunkra esnek, ott a gráf nem segít, ezért is szállít a GraphRAG saját basic módot — ugyanazokon a beágyazásokon végzett vektorlekérdezést —, hogy ez mérhető legyen. Kap még frissítést a GraphRAG? A README szerint a projekt nagyrészt karbantartási módban van: nincsenek új pull requestek, nincsenek új funkciók, a hibajavítások és függőségfrissítések szükség szerint történnek. Egyben a kódot bemutatónak és nem hivatalosan támogatott Microsoft-terméknek nevezi. A legújabb kiadás, a 3.2.0, 2026. szeptember 23-án érkezett, és a 36.241 star 495 commit és 49 nyitott issue felett áll. Mit változtat a LazyGraphRAG? Kihagyja a modellt az indexelésből, és helyette névszó-kivonatot használ, így az indexelési költséget a vektorkereséssel azonosnak és a teljes GraphRAG 0,1%-aként megadják. A Microsoft Research a globális keresés minőségét több mint 700-szor alacsonyabb lekérdezési költségen, annak 4%-áért pedig jobb minőségként jelenti. A megvalósítás a Microsoft Discoveryben és az Azure Localban van, nem a MIT-repositoryban, így a saját üzemeltetésű csapat nem telepítheti. Írta: Csorba Balázs Senior fullstack és AI mérnök Stájerországban – több mint 10 év Vue, Nuxt, Node.js és PHP, ma AI-ügynököknek építek eszközöket. [AI fejlesztés és MCP szerverek →](https://balazscsorba.com/hu/expertise/ai-engineer)[Rólam →](https://balazscsorba.com/hu/about) ## További cikkek - [Embedding-modell választása 2026-ban: ranglisták, költségek és összehasonlító teszt a saját adatokon](https://balazscsorba.com/hu/blog/embedding-model-selection-2026) - [Kontextuális visszakeresés és késleltetett chunkolás: a RAG-chunkok visszakapják a kontextusukat](https://balazscsorba.com/hu/blog/contextual-retrieval-late-chunking) - [Hozzáférés-kezelés RAG-hoz: jogosultságtudatos visszakeresés dokumentumszivárgás nélkül](https://balazscsorba.com/hu/blog/rag-access-control-permissions) - [RAG termékkatalógusra: PIM-adatokból megbízható válaszok](https://balazscsorba.com/hu/blog/rag-product-catalog-pim-data) ## Pont erre van szükséged? Írj a projektedről vagy a pozícióról – szívesen hallok felőled. [Lépj velem kapcsolatba](mailto:contact@balazscsorba.com) [Kapcsolódjunk LinkedInen](https://www.linkedin.com/in/balazs-csorba)