[{"data":1,"prerenderedAt":651},["ShallowReactive",2],{"tool-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,"url":32,"pricing":58,"kind":59,"metaTitle":60,"takeaways":61,"faq":67,"toc":80,"blocks":105,"others":454},"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.","Borítókép a GraphRAG-teszthez: egy dokumentumkorpusz, amely csomópontokból és közösségi gyűrűkből álló gráffá hajlik","MIT · API pay per token","RAG pipeline","GraphRAG teszt: ami az indexelésbe kerül · Balázs Csorba",[62,63,64,65,66],"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.",[68,71,74,77],{"q":69,"a":70},"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":72,"a":73},"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":75,"a":76},"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":78,"a":79},"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.",[81,84,87,90,93,96,99,102],{"id":82,"title":83},"what-it-is","Mi ez",{"id":85,"title":86},"how-it-works","Hogyan működik",{"id":88,"title":89},"getting-started","Első lépések",{"id":91,"title":92},"indexing-cost","Mennyibe kerül az indexelés",{"id":94,"title":95},"query-cost","Mennyibe kerülnek a lekérdezések",{"id":97,"title":98},"where-it-shingles","Miben gyenge",{"id":100,"title":101},"verdict","Ítélet",{"id":103,"title":104},"sources","Források",[106,114,121,124,131,153,159,160,166,175,183,184,190,192,198,209,210,216,264,273,274,279,326,335,336,345,388,398,399,402,417,428,432,433],{"type":107,"content":108},"paragraph",[109,110,111,112,113],"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":107,"content":115},[116,117,118,119,120],"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":122,"level":123,"id":82,"text":83},"heading",2,{"type":107,"content":125},[126,127,128,129,130],"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":132,"ordered":133,"items":134},"list",false,[135,141,143,145,147,149,151],[136,137,140],"MIT licenc, a PyPI-n ",{"tag":138,"children":139},"code",[4]," csomagként, jelenlegi kiadás 3.2.0 (2026. szeptember 23.), Python 3.11–3.13.",[142],"Körülbelül 36.200 star, 3.800 fork és 495 commit a GitHubon, továbbá 49 nyitott issue és pull request.",[144],"A TextUnitok alapból 1.200 tokenesek: a nagyobb chunkok gyorsabban indexelnek, de kevésbé precízen extrahálnak.",[146],"A közösségek felismerése hierarchikus Leiden-algoritmussal történik, és nem kerül modellhívásba; minden közösség összefoglalása már igen.",[148],"Négy lekérdezési mód van a csomagban — global, local, DRIFT és basic —, plusz a dinamikus közösségválasztás a globális kereséshez.",[150],"A CLI négy indexelési módot nevez meg: standard, fast, standard-update és fast-update, és van külön update parancs a módosult dokumentumokhoz.",[152],"Minden hívás a saját végpontunkra megy — Azure OpenAI, OpenAI vagy kompatibilis szolgáltatás —, így a költség a modellár és a korpusz méretének függvénye.",{"type":107,"content":154},[155,156,157,158],"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":122,"level":123,"id":85,"text":86},{"type":107,"content":161},[162,163,164,165],"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":167,"attrs":168,"inner":172,"caption":173},"diagram",{"viewBox":169,"role":170,"aria-labelledby":171},"0 0 720 310","img","gr-d1-t gr-d1-d","\u003Ctitle id=\"gr-d1-t\">Egy GraphRAG-index, majd négy lekérdezési mód\u003C\u002Ftitle>\u003Cdesc id=\"gr-d1-d\">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.\u003C\u002Fdesc>\u003Ctext x=\"20\" y=\"28\" class=\"d-title\">Where the tokens go\u003C\u002Ftext>\u003Ctext x=\"700\" y=\"28\" text-anchor=\"end\" class=\"d-label\">the index is the asset\u003C\u002Ftext>\u003Ctext x=\"20\" y=\"52\" class=\"d-label\">INDEXING — PAID ONCE\u003C\u002Ftext>\u003Crect x=\"20\" y=\"62\" width=\"140\" height=\"64\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"90\" y=\"90\" text-anchor=\"middle\" class=\"d-text\">Corpus\u003C\u002Ftext>\u003Ctext x=\"90\" y=\"111\" text-anchor=\"middle\" class=\"d-small\">your documents\u003C\u002Ftext>\u003Cpath d=\"M160 94 H192\" class=\"d-line\" \u002F>\u003Cpath d=\"M200 94 l-9 -5 v10 z\" class=\"d-head\" \u002F>\u003Crect x=\"200\" y=\"62\" width=\"140\" height=\"64\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"270\" y=\"90\" text-anchor=\"middle\" class=\"d-text\">TextUnits\u003C\u002Ftext>\u003Ctext x=\"270\" y=\"111\" text-anchor=\"middle\" class=\"d-small\">1,200 tokens\u003C\u002Ftext>\u003Cpath d=\"M340 94 H372\" class=\"d-line\" \u002F>\u003Cpath d=\"M380 94 l-9 -5 v10 z\" class=\"d-head\" \u002F>\u003Crect x=\"380\" y=\"62\" width=\"150\" height=\"64\" rx=\"10\" class=\"d-accent\" \u002F>\u003Ctext x=\"455\" y=\"90\" text-anchor=\"middle\" class=\"d-text\">Extract\u003C\u002Ftext>\u003Ctext x=\"455\" y=\"111\" text-anchor=\"middle\" class=\"d-small\">one call each\u003C\u002Ftext>\u003Cpath d=\"M530 94 H562\" class=\"d-line\" \u002F>\u003Cpath d=\"M570 94 l-9 -5 v10 z\" class=\"d-head\" \u002F>\u003Crect x=\"570\" y=\"62\" width=\"130\" height=\"64\" rx=\"10\" class=\"d-sky\" \u002F>\u003Ctext x=\"635\" y=\"90\" text-anchor=\"middle\" class=\"d-text\">Reports\u003C\u002Ftext>\u003Ctext x=\"635\" y=\"111\" text-anchor=\"middle\" class=\"d-small\">Leiden, then LLM\u003C\u002Ftext>\u003Ctext x=\"20\" y=\"170\" class=\"d-label\">QUERY — PAID PER QUESTION\u003C\u002Ftext>\u003Crect x=\"20\" y=\"176\" width=\"130\" height=\"60\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"85\" y=\"204\" text-anchor=\"middle\" class=\"d-text\">Question\u003C\u002Ftext>\u003Ctext x=\"85\" y=\"225\" text-anchor=\"middle\" class=\"d-small\">plain words\u003C\u002Ftext>\u003Cpath d=\"M150 206 H645\" class=\"d-line\" \u002F>\u003Cpath d=\"M257 206 V228\" class=\"d-line\" \u002F>\u003Cpath d=\"M257 236 l-5 -9 h10 z\" class=\"d-head\" \u002F>\u003Cpath d=\"M387 206 V228\" class=\"d-line\" \u002F>\u003Cpath d=\"M387 236 l-5 -9 h10 z\" class=\"d-head\" \u002F>\u003Cpath d=\"M517 206 V228\" class=\"d-line\" \u002F>\u003Cpath d=\"M517 236 l-5 -9 h10 z\" class=\"d-head\" \u002F>\u003Cpath d=\"M645 206 V228\" class=\"d-line\" \u002F>\u003Cpath d=\"M645 236 l-5 -9 h10 z\" class=\"d-head\" \u002F>\u003Crect x=\"200\" y=\"236\" width=\"115\" height=\"60\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"257\" y=\"264\" text-anchor=\"middle\" class=\"d-text\">Global\u003C\u002Ftext>\u003Ctext x=\"257\" y=\"285\" text-anchor=\"middle\" class=\"d-small\">map-reduce\u003C\u002Ftext>\u003Crect x=\"330\" y=\"236\" width=\"115\" height=\"60\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"387\" y=\"264\" text-anchor=\"middle\" class=\"d-text\">Local\u003C\u002Ftext>\u003Ctext x=\"387\" y=\"285\" text-anchor=\"middle\" class=\"d-small\">entity walk\u003C\u002Ftext>\u003Crect x=\"460\" y=\"236\" width=\"115\" height=\"60\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"517\" y=\"264\" text-anchor=\"middle\" class=\"d-text\">DRIFT\u003C\u002Ftext>\u003Ctext x=\"517\" y=\"285\" text-anchor=\"middle\" class=\"d-small\">follow-ups\u003C\u002Ftext>\u003Crect x=\"590\" y=\"236\" width=\"110\" height=\"60\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"645\" y=\"264\" text-anchor=\"middle\" class=\"d-text\">Basic\u003C\u002Ftext>\u003Ctext x=\"645\" y=\"285\" text-anchor=\"middle\" class=\"d-small\">vector search\u003C\u002Ftext>",[174],"A költséges sor az első: minden lekérdezés egy már kifizetett indexet használ újra.",{"type":107,"content":176},[177,178,179,180,181,182],"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":122,"level":123,"id":88,"text":89},{"type":107,"content":185},[186,187,188,189],"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":138,"code":191},"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":107,"content":193},[194,195,196,197],"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":199,"variant":200,"title":201,"body":202},"callout","warn","A karbantartási mód a kockázat része",[203],[204,205,206,207,208],"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":122,"level":123,"id":91,"text":92},{"type":107,"content":211},[212,213,214,215],"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":217,"head":218,"rows":227},"table",[219,221,223,225],[220],"Megközelítés",[222],"500 oldalas index",[224],"Idő",[226],"Amit kapsz",[228,237,246,255],[229,231,233,235],[230],"GraphRAG teljes pipeline",[232],"50–200 $",[234],"kb. 45 perc",[236],"entitásgráf, közösségi jelentések, globális keresés",[238,240,242,244],[239],"Vektorkeresés",[241],"5 $ alatt",[243],"percek",[245],"chunkok hasonlóság szerint, nincs globális lekérdezés",[247,249,251,253],[248],"LightRAG",[250],"kb. 0,50 $",[252],"kb. 3 perc",[254],"lapos gráf, gyengébb globális lekérdezések",[256,258,260,262],[257],"LazyGraphRAG",[259],"a teljes GraphRAG 0,1%-aként megadva",[261],"nincs megadva",[263],"nem része a MIT-csomagnak",{"type":107,"content":265},[266,267,268,269,270,271,272],"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":122,"level":123,"id":94,"text":95},{"type":107,"content":275},[276,277,278],"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":217,"head":280,"rows":289},[281,283,285,287],[282],"Mód",[284],"Mit olvas",[286],"Költségprofil",[288],"Mikor",[290,299,308,317],[291,293,295,297],[292],"Global",[294],"közösségi jelentések egy szinten vagy szűrt kiválasztás",[296],"a jelentések számával nő",[298],"korpuszszintű szintézis",[300,302,304,306],[301],"Local",[303],"entitás-környezet és a hozzá tartozó TextUnitok",[305],"vektorlekérdezés plusz bejárás",[307],"entitás- és kapcsolatkérdések",[309,311,313,315],[310],"DRIFT",[312],"legjobb jelentések, majd helyben megválaszolt kérdések",[314],"local és global között",[316],"szűkebb kérdések, amelyeknek fedés kell",[318,320,322,324],[319],"Basic",[321],"beágyazott TextUnitok",[323],"a csomag saját vektoralapja",[325],"egyugrásos ténykeresések",{"type":107,"content":327},[328,329,330,331,332,333,334],"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":122,"level":123,"id":97,"text":98},{"type":107,"content":337},[338,339,340,341,342,343,344],"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":217,"head":346,"rows":355},[347,349,351,353],[348],"Eszköz",[350],"Mi az",[352],"Hol fut",[354],"Mibe kerül",[356,364,372,379],[357,358,360,362],[24],[359],"teljes pipeline közösségi összefoglalókkal",[361],"Python-csomag a saját kulcsainkkal",[363],"modellhívások indexeléskor és lekérdezéskor",[365,366,368,370],[239],[367],"chunk-beágyazások és hasonlóságkeresés",[369],"bármely vektortároló",[371],"beágyazási hívások, olcsó lekérdezések",[373,374,376,377],[248],[375],"lapos gráf könnyebb extrakcióval",[361],[378],"az összehasonlítás szerint az indexköltség kb. 1\u002F100-e",[380,382,384,386],[381],"Graphiti",[383],"időbeli gráf ügynök-emlékezethez",[385],"a saját rendszerünk Neo4j-példánnyal",[387],"extrakció interakciónként",{"type":107,"content":389},[390,391,392,393,394,395,396,397],"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":122,"level":123,"id":100,"text":101},{"type":107,"content":400},[401],"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":132,"ordered":403,"items":404},true,[405,407,409,411,413,415],[406],"Akkor válaszd, ha a kérdések jelentős része korpuszszintű szintézist igényel: témák, trendek, összehasonlítások mindenen.",[408],"Akkor válaszd, ha a válasz olyan entitások közötti ugrásokon múlik, amelyek sosem szerepelnek ugyanabban a chunkban.",[410],"Akkor válaszd, ha magának az indexnek van értéke — jelentések, amelyeket emberek olvasnak, megosztanak és ellenőriznek —, mert ezért fizetsz előre.",[412],"Ne válaszd keresgéléstől hemzsegő keresőmezőhöz: a vektorkeresés lekérdezésenként olcsóbb, a GraphRAG saját basic módja pedig pont ez a keresés.",[414],"Ne kezeld fenntartott függőségként; a repository karbantartási módról és új funkciók nélkül beszél.",[416],"A teljes futás előtt mérd meg a lekérdezési arányt, és indexelj mintát a dinamikus közösségválasztással.",{"type":107,"content":418},[419,420,421,422,427],"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":423,"to":424,"children":425},"link","\u002Fblog\u002Fgraphrag-knowledge-graph-rag",[426],"tudásgráfos RAG"," -ről; ez az írás a megvalósításról, a módokról és a számláról szól.",{"type":429,"content":430},"quote",[431],"GraphRAG indexing can be an expensive operation, please read all of the documentation to understand the process and costs involved, and start small.",{"type":122,"level":123,"id":103,"text":104},{"type":132,"ordered":403,"items":434},[435,439,442,445,448,451],[436],{"tag":437,"href":32,"children":438},"a",[31],[440],{"tag":437,"href":35,"children":441},[34],[443],{"tag":437,"href":38,"children":444},[37],[446],{"tag":437,"href":41,"children":447},[40],[449],{"tag":437,"href":44,"children":450},[43],[452],{"tag":437,"href":47,"children":453},[46],[455,503,559,601],{"slug":456,"published":457,"minutes":458,"category":7,"tags":459,"keywords":463,"about":472,"sources":476,"cover":495,"og":496,"expertise":50,"locales":497,"lang":54,"title":498,"description":499,"coverAlt":500,"url":501,"pricing":502,"kind":460},"zep","2026-10-06",11,[460,9,461,462,10],"Agent memory","Temporal graph","Context engineering",[464,465,466,467,468,469,470,471],"zep ai","zep agent memory","graphiti knowledge graph","zep pricing","zep vs mem0","long-term memory for agents","temporal knowledge graph","zep cloud",[473],{"name":474,"url":475},"Zep","https:\u002F\u002Fwww.getzep.com\u002F",[477,480,483,486,489,492],{"title":478,"url":479},"Zep pricing: plans, credits and limits","https:\u002F\u002Fwww.getzep.com\u002Fpricing",{"title":481,"url":482},"Zep documentation","https:\u002F\u002Fhelp.getzep.com\u002F",{"title":484,"url":485},"Graphiti on GitHub","https:\u002F\u002Fgithub.com\u002Fgetzep\u002Fgraphiti",{"title":487,"url":488},"Graphiti product page","https:\u002F\u002Fwww.getzep.com\u002Fplatform\u002Fgraphiti\u002F",{"title":490,"url":491},"Announcing a new direction for Zep's open-source strategy","https:\u002F\u002Fwww.getzep.com\u002Fblog\u002Fannouncing-a-new-direction-for-zeps-open-source-strategy\u002F",{"title":493,"url":494},"Graphiti: temporal knowledge graphs for AI agents (arXiv)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2501.13956","\u002Fimages\u002Fblog\u002Fzep\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fzep\u002Fog.jpg",[52,53,54],"Zep ismertető: ügynök-memory temporális gráfon","A Zep hostolt ügynök-memory API temporális tudásgráfon: kreditek íráskor, lekérdezés ingyen, Flex 125 dollártól havonta, a Graphiti az a rész, amit magunk üzemeltethetünk.","A Zep diagramja arról, hogyan jut el egy tény a promptig: az üzeneteket és tényeket felhasználónkénti entitás- és kapcsolatgráffá bontják, a lekérdezés pedig bejárja a gráfot, és kontextusblokkot ad vissza a támasztó tényekkel.","https:\u002F\u002Fwww.getzep.com","Apache-2.0 core · Cloud from $50 per month",{"slug":504,"published":505,"minutes":506,"category":7,"tags":507,"keywords":511,"about":519,"sources":526,"cover":551,"og":552,"expertise":50,"locales":553,"lang":54,"title":554,"description":555,"coverAlt":556,"url":557,"pricing":558,"kind":521},"lancedb","2026-09-21",9,[508,509,510,10],"Vector search","Hybrid search","Embedded database",[504,512,513,514,515,516,517,518],"lancedb review","lance vector database","embedded vector database","lancedb vs qdrant","hybrid search rrf","lancedb indexing","lance data format",[520,523],{"name":521,"url":522},"Vector database","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FVector_database",{"name":524,"url":525},"Apache Arrow","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FApache_Arrow",[527,530,533,536,539,542,545,548],{"title":528,"url":529},"LanceDB quickstart","https:\u002F\u002Fdocs.lancedb.com\u002Fquickstart",{"title":531,"url":532},"LanceDB vector indexes","https:\u002F\u002Fdocs.lancedb.com\u002Findexing\u002Fvector-index",{"title":534,"url":535},"LanceDB indexing guide","https:\u002F\u002Fdocs.lancedb.com\u002Findexing\u002Findex",{"title":537,"url":538},"LanceDB hybrid search","https:\u002F\u002Fdocs.lancedb.com\u002Fsearch\u002Fhybrid-search",{"title":540,"url":541},"LanceDB Enterprise","https:\u002F\u002Fdocs.lancedb.com\u002Fenterprise",{"title":543,"url":544},"LanceDB frequently asked questions","https:\u002F\u002Fdocs.lancedb.com\u002Ffaq\u002Ffaq-oss",{"title":546,"url":547},"LanceDB pricing","https:\u002F\u002Flancedb.com\u002Fpricing",{"title":549,"url":550},"LanceDB on PyPI","https:\u002F\u002Fpypi.org\u002Fproject\u002Flancedb\u002F","\u002Fimages\u002Fblog\u002Flancedb\u002Fcover.webp","\u002Fimages\u002Fblog\u002Flancedb\u002Fog.jpg",[52,53,54],"LanceDB: vektoros keresés, amely könyvtárként indul","A LanceDB értékelése: Apache-2.0 beágyazott vektoros könyvtár szerver helyett, az IVF és HNSW indexválasztás, hibrid keresés rangsoregyesítéssel, és mit ad hozzá az Enterprise.","A LanceDB teszt borítóképe: egy Lance-tábla vektorindexet és teljes szöveges indexet táplál egy fúziós rangsorba","https:\u002F\u002Flancedb.com","Apache-2.0 · Cloud paid",{"slug":560,"published":505,"minutes":6,"category":7,"tags":561,"keywords":565,"about":572,"sources":578,"cover":593,"og":594,"expertise":50,"locales":595,"lang":54,"title":596,"description":597,"coverAlt":598,"url":574,"pricing":599,"kind":600},"pgvector",[508,562,563,10,564],"Postgres","HNSW","Quantisation",[560,566,567,568,569,570,571],"pgvector vs qdrant","postgres vector search","hnsw index postgres","iterative index scans","binary quantization postgres","vector database postgres",[573,575],{"name":560,"url":574},"https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector",{"name":576,"url":577},"PostgreSQL","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FPostgreSQL",[579,581,584,587,590],{"title":580,"url":574},"pgvector README",{"title":582,"url":583},"pgvector changelog","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector\u002Fblob\u002Fmaster\u002FCHANGELOG.md",{"title":585,"url":586},"PostgreSQL news: pgvector 0.8.2 released","https:\u002F\u002Fwww.postgresql.org\u002Fabout\u002Fnews\u002Fpgvector-082-released-3245\u002F",{"title":588,"url":589},"AWS: Scale pgvector with binary quantization","https:\u002F\u002Faws.amazon.com\u002Fblogs\u002Fdatabase\u002Fscale-pgvector-with-binary-quantization-on-amazon-aurora-postgresql\u002F",{"title":591,"url":592},"pgvector licence","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector\u002Fblob\u002Fmaster\u002FLICENSE","\u002Fimages\u002Fblog\u002Fpgvector\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fpgvector\u002Fog.jpg",[52,53,54],"pgvector, értékelés: az a vektordatázis, amelyet nem kell üzemeltetned","Értékelés a pgvector 0.8.7-ről: iteratív indexszkennelés szűrt kereséshez, HNSW és IVFFlat, bináris kvantizálás 100 millió vektornál, és a CVE, amely az indexépítést javítási tétellé tette.","A lekérdezés felül három útra bontakozik: pontos szekvenciális szkennelés, HNSW gráfjárás és IVFFlat vizsgálat; alul egy iteratív szkennelés folytatódik, amíg a limit kitelik.","PostgreSQL licence","Vector database extension",{"slug":602,"published":603,"minutes":6,"category":7,"tags":604,"keywords":606,"about":612,"sources":616,"cover":644,"og":645,"expertise":50,"locales":646,"lang":54,"title":647,"description":648,"coverAlt":649,"url":615,"pricing":650,"kind":460},"mem0","2026-09-17",[460,605,10,508],"Long-term memory",[602,607,608,609,610,469,611],"mem0 review","agent memory layer","mem0 self-hosted","mem0 pricing","mem0 alternatives",[613],{"name":614,"url":615},"Mem0","https:\u002F\u002Fmem0.ai",[617,620,623,626,629,632,635,638,641],{"title":618,"url":619},"Mem0 documentation","https:\u002F\u002Fdocs.mem0.ai\u002Fintroduction",{"title":621,"url":622},"Mem0 quickstart","https:\u002F\u002Fdocs.mem0.ai\u002Fquickstart",{"title":624,"url":625},"How Mem0 works","https:\u002F\u002Fdocs.mem0.ai\u002Fcore-concepts\u002Fhow-it-works",{"title":627,"url":628},"Mem0 pricing","https:\u002F\u002Fmem0.ai\u002Fpricing",{"title":630,"url":631},"Mem0 on GitHub","https:\u002F\u002Fgithub.com\u002Fmem0ai\u002Fmem0",{"title":633,"url":634},"mem0ai on PyPI","https:\u002F\u002Fpypi.org\u002Fproject\u002Fmem0ai\u002F",{"title":636,"url":637},"Mem0 research and benchmarks","https:\u002F\u002Fmem0.ai\u002Fresearch",{"title":639,"url":640},"Mem0 MCP server","https:\u002F\u002Fdocs.mem0.ai\u002Fplatform\u002Fmem0-mcp",{"title":642,"url":643},"Mem0 paper on arXiv","https:\u002F\u002Farxiv.org\u002Fabs\u002F2504.19413","\u002Fimages\u002Fblog\u002Fmem0\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fmem0\u002Fog.jpg",[52,53,54],"Mem0: mennyibe kerül egy ügynökmemória körönként","A Mem0 elemzése: körönként kinyert tények, az április 2026-i benchmark tábla platformra vonatkozó fenntartása, négy felhő-csomag és ami kimarad az önálló üzemeltetésből.","Hurok, amely a beszélgetésből tárolt tényeket készít, majd visszaolvasja őket a promptba","Free tier · from $19 per month",1791383550086]