[{"data":1,"prerenderedAt":700},["ShallowReactive",2],{"blog-graphrag-hu":3},{"slug":4,"published":5,"minutes":6,"category":7,"tags":8,"keywords":14,"about":22,"sources":29,"cover":48,"og":49,"expertise":50,"locales":51,"lang":54,"title":55,"description":56,"coverAlt":57,"metaTitle":58,"takeaways":59,"faq":65,"toc":78,"blocks":103,"others":448},"graphrag","2026-09-08",10,"rag",[9,10,11,12,13],"Knowledge graph","RAG","Global search","Community summaries","Token cost",[4,15,16,17,18,19,20,21],"microsoft graphrag","graphrag vs vector rag","graphrag indexing cost","graphrag query modes","graphrag lightRAG comparison","knowledge graph rag","graphrag dynamic community selection",[23,26],{"name":24,"url":25},"GraphRAG","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fgraphrag\u002F",{"name":27,"url":28},"Retrieval-augmented generation","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FRetrieval-augmented_generation",[30,33,36,39,42,45],{"title":31,"url":32},"GraphRAG on GitHub","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fgraphrag",{"title":34,"url":35},"GraphRAG documentation","https:\u002F\u002Fmicrosoft.github.io\u002Fgraphrag\u002F",{"title":37,"url":38},"From Local to Global: A Graph RAG Approach to Query-Focused Summarization","https:\u002F\u002Farxiv.org\u002Fabs\u002F2404.16130",{"title":40,"url":41},"GraphRAG: Improving global search via dynamic community selection","https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fblog\u002Fgraphrag-improving-global-search-via-dynamic-community-selection\u002F",{"title":43,"url":44},"LazyGraphRAG: Setting a new standard for quality and cost","https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fblog\u002Flazygraphrag-setting-a-new-standard-for-quality-and-cost\u002F",{"title":46,"url":47},"Graph RAG in 2026: What Actually Works in Production","https:\u002F\u002Fwww.paperclipped.de\u002Fen\u002Fblog\u002Fgraph-rag-production\u002F","\u002Fimages\u002Fblog\u002Fgraphrag\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fgraphrag\u002Fog.jpg","ai-engineer",[52,53,54],"en","de","hu","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.","Hat kör hálózatot alkot balra, nyíl vezet egy nagy dobozhoz, súlyos kapu zárja el.","GraphRAG teszt: ami az indexelésbe kerül · Balázs Csorba",[60,61,62,63,64],"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.",[66,69,72,75],{"q":67,"a":68},"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.",{"q":70,"a":71},"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.",{"q":73,"a":74},"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.",{"q":76,"a":77},"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.",[79,82,85,88,91,94,97,100],{"id":80,"title":81},"what-it-is","Mi ez",{"id":83,"title":84},"how-it-works","Hogyan működik",{"id":86,"title":87},"getting-started","Első lépések",{"id":89,"title":90},"indexing-cost","Mennyibe kerül az indexelés",{"id":92,"title":93},"query-cost","Mennyibe kerülnek a lekérdezések",{"id":95,"title":96},"where-it-shingles","Miben gyenge",{"id":98,"title":99},"verdict","Ítélet",{"id":101,"title":102},"sources","Források",[104,112,119,122,129,151,157,158,164,170,178,179,185,187,193,204,205,211,259,268,269,274,321,330,331,340,383,393,394,397,411,422,426,427],{"type":105,"content":106},"paragraph",[107,108,109,110,111],"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.",{"type":105,"content":113},[114,115,116,117,118],"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.",{"type":120,"level":121,"id":80,"text":81},"heading",2,{"type":105,"content":123},[124,125,126,127,128],"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.",{"type":130,"ordered":131,"items":132},"list",false,[133,139,141,143,145,147,149],[134,135,138],"MIT licenc, a PyPI-n ",{"tag":136,"children":137},"code",[4]," csomagként, jelenlegi kiadás 3.2.0 (2026. szeptember 23.), Python 3.11–3.13.",[140],"Körülbelül 36.200 star, 3.800 fork és 495 commit a GitHubon, továbbá 49 nyitott issue és pull request.",[142],"A TextUnitok alapból 1.200 tokenesek: a nagyobb chunkok gyorsabban indexelnek, de kevésbé precízen extrahálnak.",[144],"A közösségek felismerése hierarchikus Leiden-algoritmussal történik, és nem kerül modellhívásba; minden közösség összefoglalása már igen.",[146],"Négy lekérdezési mód van a csomagban — global, local, DRIFT és basic —, plusz a dinamikus közösségválasztás a globális kereséshez.",[148],"A CLI négy indexelési módot nevez meg: standard, fast, standard-update és fast-update, és van külön update parancs a módosult dokumentumokhoz.",[150],"Minden hívás a saját végpontunkra megy — Azure OpenAI, OpenAI vagy kompatibilis szolgáltatás —, így a költség a modellár és a korpusz méretének függvénye.",{"type":105,"content":152},[153,154,155,156],"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.",{"type":120,"level":121,"id":83,"text":84},{"type":105,"content":159},[160,161,162,163],"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.",{"type":165,"src":166,"alt":167,"wide":168,"caption":169},"image","\u002Fimages\u002Fblog\u002Fgraphrag\u002Fdiagram-8.webp","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.",true,"A költséges sor az első: minden lekérdezés egy már kifizetett indexet használ újra.",{"type":105,"content":171},[172,173,174,175,176,177],"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.",{"type":120,"level":121,"id":86,"text":87},{"type":105,"content":180},[181,182,183,184],"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.",{"type":136,"code":186},"python -m venv .venv && source .venv\u002Fbin\u002Factivate\npython -m pip install graphrag\n\nmkdir ragtest && cd ragtest\ngraphrag init -r . -m gpt-4.1 -e text-embedding-3-large\n# write GRAPHRAG_API_KEY into the .env that init created\n# drop a few .txt or .md files into .\u002Finput, then index:\ngraphrag index -r . -m standard\n\n# global is the default; this prunes reports before the map-reduce step\ngraphrag query \"What are the top themes across these documents?\" -r . \\\n  --dynamic-community-selection\n\ngraphrag query \"Who is the main character?\" -r . -m local\ngraphrag update -r . -m standard-update\n",{"type":105,"content":188},[189,190,191,192],"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.",{"type":194,"variant":195,"title":196,"body":197},"callout","warn","A karbantartási mód a kockázat része",[198],[199,200,201,202,203],"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.",{"type":120,"level":121,"id":89,"text":90},{"type":105,"content":206},[207,208,209,210],"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:",{"type":212,"head":213,"rows":222},"table",[214,216,218,220],[215],"Megközelítés",[217],"500 oldalas index",[219],"Idő",[221],"Amit kapsz",[223,232,241,250],[224,226,228,230],[225],"GraphRAG teljes pipeline",[227],"50–200 $",[229],"kb. 45 perc",[231],"entitásgráf, közösségi jelentések, globális keresés",[233,235,237,239],[234],"Vektorkeresés",[236],"5 $ alatt",[238],"percek",[240],"chunkok hasonlóság szerint, nincs globális lekérdezés",[242,244,246,248],[243],"LightRAG",[245],"kb. 0,50 $",[247],"kb. 3 perc",[249],"lapos gráf, gyengébb globális lekérdezések",[251,253,255,257],[252],"LazyGraphRAG",[254],"a teljes GraphRAG 0,1%-aként megadva",[256],"nincs megadva",[258],"nem része a MIT-csomagnak",{"type":105,"content":260},[261,262,263,264,265,266,267],"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.",{"type":120,"level":121,"id":92,"text":93},{"type":105,"content":270},[271,272,273],"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:",{"type":212,"head":275,"rows":284},[276,278,280,282],[277],"Mód",[279],"Mit olvas",[281],"Költségprofil",[283],"Mikor",[285,294,303,312],[286,288,290,292],[287],"Global",[289],"közösségi jelentések egy szinten vagy szűrt kiválasztás",[291],"a jelentések számával nő",[293],"korpuszszintű szintézis",[295,297,299,301],[296],"Local",[298],"entitás-környezet és a hozzá tartozó TextUnitok",[300],"vektorlekérdezés plusz bejárás",[302],"entitás- és kapcsolatkérdések",[304,306,308,310],[305],"DRIFT",[307],"legjobb jelentések, majd helyben megválaszolt kérdések",[309],"local és global között",[311],"szűkebb kérdések, amelyeknek fedés kell",[313,315,317,319],[314],"Basic",[316],"beágyazott TextUnitok",[318],"a csomag saját vektoralapja",[320],"egyugrásos ténykeresések",{"type":105,"content":322},[323,324,325,326,327,328,329],"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.",{"type":120,"level":121,"id":95,"text":96},{"type":105,"content":332},[333,334,335,336,337,338,339],"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.",{"type":212,"head":341,"rows":350},[342,344,346,348],[343],"Eszköz",[345],"Mi az",[347],"Hol fut",[349],"Mibe kerül",[351,359,367,374],[352,353,355,357],[24],[354],"teljes pipeline közösségi összefoglalókkal",[356],"Python-csomag a saját kulcsainkkal",[358],"modellhívások indexeléskor és lekérdezéskor",[360,361,363,365],[234],[362],"chunk-beágyazások és hasonlóságkeresés",[364],"bármely vektortároló",[366],"beágyazási hívások, olcsó lekérdezések",[368,369,371,372],[243],[370],"lapos gráf könnyebb extrakcióval",[356],[373],"az összehasonlítás szerint az indexköltség kb. 1\u002F100-e",[375,377,379,381],[376],"Graphiti",[378],"időbeli gráf ügynök-emlékezethez",[380],"a saját rendszerünk Neo4j-példánnyal",[382],"extrakció interakciónként",{"type":105,"content":384},[385,386,387,388,389,390,391,392],"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.",{"type":120,"level":121,"id":98,"text":99},{"type":105,"content":395},[396],"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.",{"type":130,"ordered":168,"items":398},[399,401,403,405,407,409],[400],"Akkor válaszd, ha a kérdések jelentős része korpuszszintű szintézist igényel: témák, trendek, összehasonlítások mindenen.",[402],"Akkor válaszd, ha a válasz olyan entitások közötti ugrásokon múlik, amelyek sosem szerepelnek ugyanabban a chunkban.",[404],"Akkor válaszd, ha magának az indexnek van értéke — jelentések, amelyeket emberek olvasnak, megosztanak és ellenőriznek —, mert ezért fizetsz előre.",[406],"Ne válaszd keresgéléstől hemzsegő keresőmezőhöz: a vektorkeresés lekérdezésenként olcsóbb, a GraphRAG saját basic módja pedig pont ez a keresés.",[408],"Ne kezeld fenntartott függőségként; a repository karbantartási módról és új funkciók nélkül beszél.",[410],"A teljes futás előtt mérd meg a lekérdezési arányt, és indexelj mintát a dinamikus közösségválasztással.",{"type":105,"content":412},[413,414,415,416,421],"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 ",{"tag":417,"to":418,"children":419},"link","\u002Fblog\u002Fgraphrag-knowledge-graph-rag",[420],"tudásgráfos RAG"," -ről; ez az írás a megvalósításról, a módokról és a számláról szól.",{"type":423,"content":424},"quote",[425],"GraphRAG indexing can be an expensive operation, please read all of the documentation to understand the process and costs involved, and start small.",{"type":120,"level":121,"id":101,"text":102},{"type":130,"ordered":168,"items":428},[429,433,436,439,442,445],[430],{"tag":431,"href":32,"children":432},"a",[31],[434],{"tag":431,"href":35,"children":435},[34],[437],{"tag":431,"href":38,"children":438},[37],[440],{"tag":431,"href":41,"children":441},[40],[443],{"tag":431,"href":44,"children":444},[43],[446],{"tag":431,"href":47,"children":447},[46],[449,524,581,639],{"slug":450,"published":451,"minutes":452,"category":7,"tags":453,"keywords":458,"about":471,"sources":481,"cover":518,"og":519,"expertise":50,"locales":520,"lang":54,"title":521,"description":522,"coverAlt":523},"embedding-model-selection-2026","2026-10-17",9,[454,10,455,456,457],"Embeddings","MTEB","Vector search","Model selection",[459,460,461,462,463,464,465,466,467,468,469,470],"best embedding model 2026","how to choose an embedding model","embedding model comparison","MTEB leaderboard explained","RTEB benchmark","open source embedding model","multilingual embedding model","voyage-4 vs openai embeddings","Qwen3-Embedding","EmbeddingGemma","embedding model for RAG","switching embedding models re-embed",[472,475,478],{"name":473,"url":474},"Word embedding","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FWord_embedding",{"name":476,"url":477},"Information retrieval","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FInformation_retrieval",{"name":479,"url":480},"Discounted cumulative gain","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDiscounted_cumulative_gain",[482,485,488,491,494,497,500,503,506,509,512,515],{"title":483,"url":484},"Enevoldsen et al.: MMTEB, Massive Multilingual Text Embedding Benchmark (2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.13595",{"title":486,"url":487},"Hugging Face: Introducing RTEB, a new standard for retrieval evaluation (Oct 2025)","https:\u002F\u002Fhuggingface.co\u002Fblog\u002Frteb",{"title":489,"url":490},"OpenAI: Vector embeddings guide","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fembeddings",{"title":492,"url":493},"OpenAI: API pricing","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fpricing",{"title":495,"url":496},"Voyage AI: The Voyage 4 model family, shared embedding space with MoE architecture (Jan 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F01\u002F15\u002Fvoyage-4\u002F",{"title":498,"url":499},"Voyage AI: Text embeddings documentation","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fembeddings",{"title":501,"url":502},"Voyage AI: Pricing","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fpricing",{"title":504,"url":505},"Google: Gemini API embeddings documentation","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fembeddings",{"title":507,"url":508},"Google: Gemini API pricing","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fpricing",{"title":510,"url":511},"Cohere: Embed models documentation","https:\u002F\u002Fdocs.cohere.com\u002Fdocs\u002Fcohere-embed",{"title":513,"url":514},"Qwen: Qwen3-Embedding-8B model card","https:\u002F\u002Fhuggingface.co\u002FQwen\u002FQwen3-Embedding-8B",{"title":516,"url":517},"Google Developers Blog: Introducing EmbeddingGemma (Sep 2025)","https:\u002F\u002Fdevelopers.googleblog.com\u002Fen\u002Fintroducing-embeddinggemma\u002F","\u002Fimages\u002Fblog\u002Fembedding-model-selection-2026\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fembedding-model-selection-2026\u002Fog.jpg",[52,53,54],"Embedding-modell választása 2026-ban: ranglisták, költségek és összehasonlító teszt a saját adatokon","Hogyan válassz embedding-modellt RAG-hoz 2026-ban: mit mond az MTEB és az RTEB, API vagy nyílt súlyok, árak, dimenziók és egy egyhetes összehasonlító teszt.","Három oszlop egymásra rakott kockákból, középen a legmagasabb, mindegyik rövid sávval mérve.",{"slug":525,"published":451,"minutes":6,"category":7,"tags":526,"keywords":530,"about":542,"sources":550,"cover":575,"og":576,"expertise":50,"locales":577,"lang":54,"title":578,"description":579,"coverAlt":580},"contextual-retrieval-late-chunking",[10,527,454,528,529],"Chunking","Contextual retrieval","Late chunking",[531,532,533,534,535,536,537,538,539,540,541],"contextual retrieval","anthropic contextual retrieval","late chunking","contextual chunk embeddings","contextual embeddings rag","contextual bm25","chunk context rag","voyage-context-3","voyage-context-4","late chunking vs contextual retrieval","rag chunking context loss",[543,544,547],{"name":27,"url":28},{"name":545,"url":546},"Okapi BM25","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FOkapi_BM25",{"name":548,"url":549},"Sentence embedding","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSentence_embedding",[551,554,557,560,563,566,569,572],{"title":552,"url":553},"Anthropic: Introducing Contextual Retrieval (Sep 2024)","https:\u002F\u002Fwww.anthropic.com\u002Fnews\u002Fcontextual-retrieval",{"title":555,"url":556},"Günther et al.: Late Chunking, Contextual Chunk Embeddings Using Long-Context Embedding Models (2024, rev. 2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2409.04701",{"title":558,"url":559},"Jina AI: Late Chunking in Long-Context Embedding Models (Aug 2024)","https:\u002F\u002Fjina.ai\u002Fnews\u002Flate-chunking-in-long-context-embedding-models\u002F",{"title":561,"url":562},"Voyage AI: Introducing voyage-context-3 (Jul 2025)","https:\u002F\u002Fblog.voyageai.com\u002F2025\u002F07\u002F23\u002Fvoyage-context-3\u002F",{"title":564,"url":565},"Voyage AI: voyage-context-4 (Jun 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F06\u002F29\u002Fvoyage-context-4\u002F",{"title":567,"url":568},"Voyage AI: Contextualized chunk embeddings documentation","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fcontextualized-chunk-embeddings",{"title":570,"url":571},"Anthropic: Claude API pricing","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fabout-claude\u002Fpricing",{"title":573,"url":574},"Qu, Tu and Bao: Is Semantic Chunking Worth the Computational Cost? (2024)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2410.13070","\u002Fimages\u002Fblog\u002Fcontextual-retrieval-late-chunking\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fcontextual-retrieval-late-chunking\u002Fog.jpg",[52,53,54],"Kontextuális visszakeresés és késleltetett chunkolás: a RAG-chunkok visszakapják a kontextusukat","A chunkok elveszítik a dokumentumukat. Hogyan javít ezen a contextual retrieval, a late chunking és a kontextusos embedding, mennyibe kerül, és mikor hagyd ki.","Négy szabad négyzet, alul széles kapocs fogja össze, mindegyik felfelé egy nagy laphoz kapcsolódik.",{"slug":582,"published":451,"minutes":452,"category":7,"tags":583,"keywords":587,"about":600,"sources":608,"cover":633,"og":634,"expertise":50,"locales":635,"lang":54,"title":636,"description":637,"coverAlt":638},"rag-access-control-permissions",[10,584,585,586,456],"Access control","Security","Multi-tenancy",[588,589,590,591,592,593,594,595,596,597,598,599],"rag access control","permission aware rag","document level security rag","rag multi tenancy","vector database access control","pgvector row level security","security trimming azure ai search","openfga rag authorization","qdrant multitenancy","pinecone namespaces multitenancy","owasp llm08 vector and embedding weaknesses","rag data leakage",[601,604,607],{"name":602,"url":603},"Access-control list","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAccess-control_list",{"name":605,"url":606},"Multitenancy","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultitenancy",{"name":27,"url":28},[609,612,615,618,621,624,627,630],{"title":610,"url":611},"OWASP GenAI Security Project: LLM08:2025 Vector and Embedding Weaknesses","https:\u002F\u002Fgenai.owasp.org\u002Fllmrisk\u002Fllm082025-vector-and-embedding-weaknesses\u002F",{"title":613,"url":614},"PostgreSQL documentation: Row Security Policies","https:\u002F\u002Fwww.postgresql.org\u002Fdocs\u002Fcurrent\u002Fddl-rowsecurity.html",{"title":616,"url":617},"pgvector README: filtering and iterative index scans","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector",{"title":619,"url":620},"Qdrant: Multitenancy and partitions guide","https:\u002F\u002Fqdrant.tech\u002Fdocumentation\u002Fguides\u002Fmultiple-partitions\u002F",{"title":622,"url":623},"Pinecone: Implement multitenancy using namespaces","https:\u002F\u002Fdocs.pinecone.io\u002Fguides\u002Findex-data\u002Fimplement-multitenancy",{"title":625,"url":626},"Microsoft Learn: Document-level access control in Azure AI Search","https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fsearch\u002Fsearch-document-level-access-overview",{"title":628,"url":629},"OpenFGA: RAG authorization use case","https:\u002F\u002Fopenfga.dev\u002Fdocs\u002Fuse-cases\u002Frag-authorization",{"title":631,"url":632},"Morris et al.: Text Embeddings Reveal (Almost) As Much As Text (EMNLP 2023)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2310.06816","\u002Fimages\u002Fblog\u002Frag-access-control-permissions\u002Fcover.webp","\u002Fimages\u002Fblog\u002Frag-access-control-permissions\u002Fog.jpg",[52,53,54],"Hozzáférés-kezelés RAG-hoz: jogosultságtudatos visszakeresés dokumentumszivárgás nélkül","Hogyan szivárogtatnak dokumentumot a RAG-asszisztensek, és hogyan állítsd meg: ACL minden chunkon, előszűrés, sorszintű biztonság pgvectorban, jogszinkron.","Hét kártya sorban, haton lakat jelvény, a csupasz kártya nyilat küld kifelé.",{"slug":640,"published":451,"minutes":6,"category":7,"tags":641,"keywords":646,"about":658,"sources":666,"cover":693,"og":694,"expertise":695,"locales":696,"lang":54,"title":697,"description":698,"coverAlt":699},"rag-product-catalog-pim-data",[10,642,643,644,645],"PIM","Product data","B2B e-commerce","Metadata filtering",[647,648,649,650,651,652,653,654,655,656,657],"rag product catalog","rag pim data","llm product data","product catalog chatbot","akeneo rag","pimcore ai search","rag structured data","metadata filtering rag","product attributes embeddings","b2b product assistant","etim classification ai",[659,662,663],{"name":660,"url":661},"Product information management","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FProduct_information_management",{"name":27,"url":28},{"name":664,"url":665},"ETIM (standard)","https:\u002F\u002Fwww.etim-international.com\u002Fclassification\u002F",[667,670,673,676,678,681,684,687,690],{"title":668,"url":669},"Akeneo API: Products, product values, metric values and product models","https:\u002F\u002Fapi.akeneo.com\u002Fconcepts\u002Fproducts.html",{"title":671,"url":672},"Akeneo Help Center: What about products with variants?","https:\u002F\u002Fhelp.akeneo.com\u002Fserenity-take-the-power-over-your-products\u002Fserenity-what-about-products-with-variants",{"title":674,"url":675},"Pimcore documentation: Classification Store","https:\u002F\u002Fdocs.pimcore.com\u002Fplatform\u002FPimcore\u002FObjects\u002FObject_Classes\u002FData_Types\u002FClassification_Store\u002F",{"title":677,"url":665},"ETIM International: Classification",{"title":679,"url":680},"ETIM International: ETIM releases and the IXF format","https:\u002F\u002Fetim-international.com\u002F?p=754",{"title":682,"url":683},"Reddy et al.: Shopping Queries Dataset, a large-scale ESCI benchmark for improving product search (2022)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2206.06588",{"title":685,"url":686},"Amazon Science: esci-data repository","https:\u002F\u002Fgithub.com\u002Famazon-science\u002Fesci-data",{"title":688,"url":689},"Qdrant documentation: Filtering","https:\u002F\u002Fqdrant.tech\u002Fdocumentation\u002Fconcepts\u002Ffiltering\u002F",{"title":691,"url":692},"Sui et al.: Table Meets LLM, can large language models understand structured table data? (WSDM 2024)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.13062","\u002Fimages\u002Fblog\u002Frag-product-catalog-pim-data\u002Fcover.webp","\u002Fimages\u002Fblog\u002Frag-product-catalog-pim-data\u002Fog.jpg","b2b-ecommerce-developer",[52,53,54],"RAG termékkatalógusra: PIM-adatokból megbízható válaszok","A termékadat strukturált, ezért a PDF-szerű chunkolás itt elbukik. Hogyan sorosítsd a PIM-attribútumokat, és hogyan küldd a specifikációs kérdéseket szűrőkhöz.","Kilenc négyzetből álló keret apró jelekkel, alatta tölcsér egyetlen kártyához.",1792261159257]