論文の概要: Is GraphRAG Needed? From Basic RAG to Graph-/Agentic Solutions with Context Optimization

• arxiv url: http://arxiv.org/abs/2606.25656v1
• Date: Wed, 24 Jun 2026 10:11:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.305925
• Title: Is GraphRAG Needed? From Basic RAG to Graph-/Agentic Solutions with Context Optimization
• Title（参考訳）: GraphRAGは必要か? コンテキスト最適化による基礎RAGからグラフ/エージェントソリューションへ
• Authors: Long Chen, Ryan Razkenari, Yuxuan Zhou, Yuan Tian, Rahul Ghosh, Venkatesh Pappakrishnan, Disha Ahuja, Vidya Sagar Ravipati,
• Abstract要約: 本稿では,半構造化知識ベースを用いたRAGシナリオの評価と比較を行うフレームワークを提案する。 9つの標準化されたRAGシナリオの実装と総合的な比較実験を行う。
• 参考スコア（独自算出の注目度）: 9.99981815735792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As advanced RAG variants like GraphRAG and Agentic RAG emerge, one leading question is when and how to use them. Here, we introduce a framework for different RAG scenarios evaluation and comparison on semi-structured knowledge bases, including regular RAG, GraphRAG, Modular RAG and Agentic RAG. We provide implementation for 9 standardized RAG scenarios, and conduct experiments for a comprehensive comparison. These scenarios are designed for real use cases regarding data and domain restrictions, spanning from simple document-based retrieval to advanced features such as hybrid text-graph retrieval, integration with computed or pre-defined domain knowledge graphs, agentic multi-step planning, and agent-graph integration. Besides, we present a novel context engineering method for GraphRAG and Agentic RAG, addressing the context/memory overflow issues, efficiently managing text and graph retrievals with new representations and agentic loop design, leading to 19%-53% reduction on token usage. Moreover, further analysis identifies a retrieval-generation gap where expanded retrieval does not proportionally improve generation quality, suggesting retrieval-oriented metrics overstate advanced retrieval benefits. This work provides data-driven insights on when and how to use them for building production-ready intelligent RAG systems.
• Abstract（参考訳）: GraphRAGやAgentic RAGといった高度なRAGの亜種が出現するにつれて、主要な疑問はいつ、どのように使うかである。 本稿では,通常のRAG, GraphRAG, Modular RAG, Agentic RAGなど,半構造化知識ベースにおけるRAGシナリオの評価と比較を行うフレームワークを提案する。 9つの標準化されたRAGシナリオの実装と総合的な比較実験を行う。 これらのシナリオは、単純なドキュメントベースの検索から、ハイブリッドテキストグラフ検索、計算または事前に定義されたドメイン知識グラフとの統合、エージェント多段階計画、エージェントグラフ統合といった高度な機能まで、データとドメインの制約に関する実際のユースケースのために設計されている。 さらに,GraphRAGとAgenic RAGのコンテキストエンジニアリング手法を提案し,コンテキスト/メモリオーバーフロー問題に対処し,新しい表現とエージェントループ設計によるテキストとグラフ検索を効率的に管理し,トークン使用率を19%～53%削減した。 さらに、拡張された検索が生成品質を比例的に改善しない検索生成ギャップを特定し、検索指向のメトリクスが高度検索の利点を上回ることを示唆する。 この作業は、プロダクション対応のインテリジェントなRAGシステムの構築にいつ、どのように使用するか、というデータ駆動の洞察を提供する。

関連論文リスト

• Do We Still Need GraphRAG? Benchmarking RAG and GraphRAG for Agentic Search Systems [9.226583502132753]
  Retrieval-augmented Generation(RAG)とそのグラフベースの拡張(GraphRAG)は、大規模言語モデル(LLM)推論を改善する効果的なパラダイムである。 近年のエージェントサーチシステムでは,推論中の動的,多ラウンド検索,シーケンシャルな意思決定が可能である。 本稿では,エージェント検索に基づく検索基盤として高密度なRAGと代表的なGraphRAG手法を評価する統一ベンチマークであるRAGSearchを紹介する。
  論文  参考訳（メタデータ） (2026-04-01T07:21:32Z)
• Graphs RAG at Scale: Beyond Retrieval-Augmented Generation With Labeled Property Graphs and Resource Description Framework for Complex and Unknown Search Spaces [0.23157817950780824]
  本稿では,従来のRAG手法の限界を克服する新しいエンドツーエンドグラフRAGフレームワークを提案する。 提案手法は,文書数を事前に指定することなく,動的文書検索を可能にする。 我々は,テキストクエリのリアルタイム翻訳において90%以上の精度を達成し,LPGのためのCypherフレームワークにテキストを提示する。
  論文  参考訳（メタデータ） (2026-03-21T11:35:29Z)
• Leveraging Spreading Activation for Improved Document Retrieval in Knowledge-Graph-Based RAG Systems [0.0]
  Retrieval-augmented Generation (RAG) システムは、複雑な推論タスクに必要な多段階の証拠を確実に回収し、接続するのに苦労する。 標準的なRAGフレームワークのほとんどは、検索された全ての情報を、大きなテキストコーパスの様々な信頼性と相互接続性を見越して、等しく信頼できるものとみなしている。 自動構築された知識グラフによって相互接続された文書のコーパスから情報を取得するために,拡散活性化アルゴリズムを用いた新しいRAGフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-17T19:38:35Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• RAG vs. GraphRAG: A Systematic Evaluation and Key Insights [53.83444096699458]
  我々は,テキストベースベンチマークを用いて,検索型拡張生成(RAG)とグラフRAGを体系的に評価する。 本結果は,RAGとGraphRAGの異なる課題と評価の観点から,それぞれ異なる強みを浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-02-17T02:36:30Z)
• Retrieval-Augmented Generation with Graphs (GraphRAG) [84.29507404866257]
  Retrieval-augmented Generation (RAG) は、追加情報を取得することによって下流タスクの実行を向上させる強力な技術である。 グラフは、その固有の「エッジで接続されたノード」の性質により、巨大な異種情報と関係情報を符号化する。 従来のRAGとは異なり、多種多様な形式とドメイン固有の関係知識のようなグラフ構造化データのユニークさは、異なるドメインでGraphRAGを設計する際、ユニークで重要な課題を生じさせる。
  論文  参考訳（メタデータ） (2024-12-31T06:59:35Z)
• VisRAG: Vision-based Retrieval-augmented Generation on Multi-modality Documents [66.42579289213941]
  Retrieval-augmented Generation (RAG) は、大規模言語モデルが外部知識ソースを生成に活用できる効果的な手法である。 本稿では、視覚言語モデル(VLM)に基づくRAGパイプラインを確立することにより、この問題に対処するVisRAGを紹介する。 このパイプラインでは、まず文書を解析してテキストを得る代わりに、VLMを画像として直接埋め込んで、VLMの生成を強化する。
  論文  参考訳（メタデータ） (2024-10-14T15:04:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。