GraphRAG Nedir? Bilgi Grafiği Tabanlı RAG Rehberi

GraphRAG nedir? GraphRAG (Graph-based Retrieval-Augmented Generation, Türkçesiyle bilgi grafiği tabanlı bilgi getirimiyle üretim), bir dil modelini yanıt üretmeden önce belgeleri düz metin parçaları yerine bir bilgi grafiği (kavramları ve aralarındaki ilişkileri düğüm-kenar olarak tutan yapı) üzerinden getirerek besleyen bir RAG mimarisidir. Böylece model, tek tek benzer parçalara değil, varlıklar arasındaki bağlantılara dayanarak cevap verir.

Klasik RAG "şu soruya en benzeyen paragrafları getir" der; GraphRAG ise "şu varlıklar hangi ilişkilerle birbirine bağlı, bu bağlantı ağını takip et" der. Bu fark, birden çok belgeye dağılmış ve çok adımlı akıl yürütme gerektiren sorularda kritik hâle gelir. Bu rehber graphrag nedir, nasıl çalışır, klasik vektör RAG'den farkı ne, varlık ilişkileri ve hibrit mimari neden önemli sorularını yanıtlıyor. Temel için önce RAG nedir rehberini okumak faydalı olur.

Tanım

GraphRAG (Bilgi Grafiği Tabanlı RAG)

Bir dil modelini yanıt üretmeden önce düz metin parçaları yerine bir bilgi grafiği (kavramları ve aralarındaki ilişkileri düğüm-kenar olarak tutan yapı) üzerinden ilgili varlık ilişkileriyle besleyen RAG mimarisi. GraphRAG, birden çok belgeye dağılmış ve çok adımlı bağlantı gerektiren sorulara klasik vektör RAG'e göre daha bütünsel ve izlenebilir yanıt verir.

Ayrıca: Graph RAG, bilgi grafiği tabanlı RAG, graph-based retrieval, GraphRAG

Klasik vektör RAG çoğu soruda iyi çalışır: belgeleri parçalara böler, her parçayı anlamsal bir vektöre çevirir ve soruya anlamca en yakın parçaları getirir. Ama bir sınırı vardır: her parçayı ayrı ve bağımsız görür. "Bu iki sözleşme arasındaki ortak taraf kim?" ya da "bu proje hangi ekiplere, hangi bütçe kalemleriyle bağlı?" gibi sorularda cevap tek bir parçada değildir; birçok belgeye dağılmış ilişkilerin birleştirilmesini gerektirir.

Vektör araması burada zorlanır çünkü benzerlik ile bağlantı aynı şey değildir. İki belge birbirine hiç benzemeyen kelimelerle yazılmış olabilir ama aynı kişiden, aynı projeden söz ediyor olabilir. Klasik RAG bu gizli köprüyü göremez. GraphRAG tam olarak bu boşluğu doldurmak için doğdu: bilgiyi parçalar hâlinde değil, birbirine bağlı bir varlık ilişkileri ağı olarak temsil eder ve sorguyu bu ağ üzerinde yürütür.

GraphRAG iki büyük fazdan oluşur: önce bilgi grafiğinin inşası (indexleme), sonra bu grafik üzerinden getirme ve üretme. İnşa fazında belgeler ham metin olarak kalmaz; bir dil modeliyle taranarak içlerindeki varlıklar (kişi, kurum, ürün, kavram) ve bu varlıklar arasındaki ilişkiler çıkarılır. Sonuç, düğümlerin varlıkları, kenarların ilişkileri temsil ettiği bir bilgi grafiğidir.

Nasıl Yapılır

Bir GraphRAG sorgusunun yaşam döngüsü

Belgelerin bilgi grafiğine dönüşmesinden kaynaklı yanıta kadar GraphRAG'in izlediği temel adımlar.

1. 1

   Varlıkları çıkar

   Belgeler bir dil modeliyle taranır; kişi, kurum, ürün ve kavram gibi varlıklar (entity) tespit edilir.

2. 2

   İlişkileri kur

   Varlıklar arasındaki ilişkiler (kim kiminle çalışıyor, ne neye bağlı) kenarlar olarak eklenir ve bilgi grafiği oluşur.

3. 3

   İlgili alt grafiği getir

   Soruyla ilgili varlıklar bulunur ve onların çevresindeki bağlantı ağı (alt grafik) çıkarılır.

4. 4

   Bağlamla yanıt üret

   Getirilen varlık ilişkileri prompt'a bağlam olarak eklenir ve model, bu ağa dayanarak yanıtı yazar.

Getirme fazında sistem, soruyla ilgili varlıkları grafikte bulur ve onların komşularını, komşularının komşularını takip ederek ilgili alt grafiği çıkarır. Bu, çok adımlı (multi-hop) akıl yürütmenin temelidir: "A, B ile; B, C ile bağlı" zincirini izleyerek A ile C arasındaki dolaylı ilişkiyi ortaya koyar. Ardından bu ilişki ağı modele bağlam olarak verilir ve yanıt bu bağlantılara dayandırılarak üretilir.

En sık sorulan soru bu vektör rag farkıdır. İki mimari de RAG şemsiyesi altındadır ama getirme mantıkları temelde ayrışır. Vektör RAG anlamsal benzerliğe dayanır: parçaları vektörlere çevirir, soruya en yakın olanları getirir. GraphRAG ise yapısal bağlantıya dayanır: varlıkları ve ilişkileri modelleyip bu ağ üzerinde gezinir.

GraphRAG ile klasik vektör RAG karşılaştırması

Boyut	Vektör RAG	GraphRAG
Getirme temeli	Anlamsal benzerlik (embedding)	Varlık ilişkileri (bilgi grafiği)
En güçlü olduğu soru	Tek parçadan yanıtlanan, olgusal	Çok adımlı, ilişki-odaklı, bütünsel
Çok belge birleştirme	Zayıf — parçalar bağımsız görünür	Güçlü — bağlantılar açıkça izlenir
Kurulum maliyeti	Düşük — parçala, embed et	Yüksek — varlık ve ilişki çıkarımı gerekir
İzlenebilirlik	Kaynak parça gösterir	İlişki zincirini gösterir

Tabloya bakınca ayartıcı bir sonuç çıkabilir: "her zaman GraphRAG kullanalım". Bu yanlış olur. Çoğu kurumsal soru tek bir belgeden yanıtlanabilir ve bu tür sorularda vektör RAG hem daha ucuz hem daha hızlıdır. GraphRAG'in üstünlüğü, sorunun doğası ilişki-yoğun olduğunda ortaya çıkar. Doğru karar, mimariyi soruların şekline göre seçmektir.

GraphRAG'in tüm gücü, varlık ilişkileri kavramında saklıdır. Bir bilgi grafiği yalnızca "hangi kelimeler geçiyor" bilgisini değil, "hangi şey neyle nasıl bağlı" bilgisini taşır. Bu, metnin altındaki anlamsal iskelettir. Örneğin bir kurumun belgelerinde "Ayşe" bir düğüm, "Pazarlama Ekibi" başka bir düğüm, aralarındaki "yönetiyor" ilişkisi ise bir kenardır.

Bu ağ kurulduğunda, önceden tek tek belgelerde gizli kalan sorular yanıtlanabilir hâle gelir: "Bu projeye dokunan tüm kişiler kim?" ya da "Şu politika değişikliğinden hangi departmanlar etkilenir?" Bilgi grafiği bu bağlantıları açıkça tuttuğu için model, dağınık belgeler arasında köprü kurmak zorunda kalmaz; köprüler zaten grafikte hazırdır. İşte GraphRAG'i klasik yaklaşımdan ayıran bu yapısal bilgi grafiği katmanıdır. Varlıkların gerçek dünya kimliklerine sağlam biçimde bağlanması için bu grafik, standart varlık tanımlayıcılarıyla (örneğin Wikidata gibi açık bilgi tabanları) da zenginleştirilebilir.

Pratikte en olgun kurumsal kurulum, saf GraphRAG değil hibrit mimaridir. Bu yaklaşımda bilgi grafiği ile vektör arama birlikte çalışır: sistem bir soruda hem anlamsal olarak en yakın parçaları (vektör) hem de ilgili varlık ilişkilerini (grafik) getirir ve ikisini modele birlikte sunar. Böylece "olgusal ayrıntı" ile "ilişkisel bağlam" aynı yanıtta buluşur.

Hibrit mimarinin mantığı basittir: iki yöntem birbirinin zayıf yanını kapatır. Vektör arama, grafiğin kaçırdığı ince metin ayrıntısını yakalar; grafik ise vektörün göremediği bağlantıları getirir. Bu yüzden GraphRAG'i "vektör RAG'in yerine geçen" değil, "onu tamamlayan" bir katman olarak düşünmek daha doğrudur. Çoğu üretim sistemi bu ikisini bir arada kullanır. Bu tür çok katmanlı bilgi erişim mimarilerini uçtan uca kurmak için kurumsal RAG sistemleri çözümüne göz atabilirsiniz.

GraphRAG'in en net kazanç sağladığı yerler, bilginin doğası gereği ilişki-yoğun olduğu alanlardır. Hukukta bir dava, birçok sözleşme, taraf ve emsal karar arasındaki bağlantı ağıdır; GraphRAG "bu taraf hangi diğer davalarda geçiyor" gibi soruları doğal olarak cevaplar. Finans ve uyum tarafında, bir şirketler ağındaki dolaylı sahiplik ilişkilerini veya işlem zincirlerini izlemek tipik bir grafik problemidir.

Türkiye bağlamında sağlık, kamu ve büyük kurumsal arşivler gibi ilişki yoğun ve çok belgeli bilgi tabanları GraphRAG için uygun adaylardır. Ancak burada da altın kural aynıdır: mimariyi teknoloji hevesine değil, soruların gerçek şekline göre seçmek. Kurumsal bir yol haritası çıkarmak için yapay zeka danışmanlığı ile başlanabilir.

Bir bilgi grafiği, kişileri ve onların ilişkilerini açıkça modellediği için KVKK açısından klasik RAG'den daha dikkatli tasarım ister. "Kim kiminle çalışıyor", "kim hangi işlemde yer aldı" gibi ilişkiler, tek tek belgelerde dağınıkken görece zararsızken, bir grafik üzerinde birleştirildiğinde kişiler hakkında güçlü profiller oluşturabilir. Bu, veri minimizasyonu ilkesiyle doğrudan ilişkilidir.

Bu yüzden GraphRAG kurarken hangi varlıkların ve ilişkilerin grafiğe gireceği, kimlerin hangi alt grafiğe erişebileceği ve kişisel veri içeren düğümlerin nasıl korunacağı en baştan planlanmalıdır. Erişim kontrolü olmayan bir bilgi grafiği, dağınık haldeyken görünmeyen ilişkileri herkese açık hâle getirebilir. Doğru kurgulanmış erişim kontrolü ve amaç sınırlaması ise GraphRAG'in gücünü uyumla birlikte kullanmayı mümkün kılar.

GraphRAG'in giderek daha çok konuşulan bir kullanımı, yapay zeka ajanları (AI agent) ile birleşmesidir. Bir ajan, tek bir sabit sorgu yapmak yerine adım adım plan kurar: "önce bu varlığı bul, ardından ilişkilerini takip et, sonra eksik parçayı vektörle ara". Bilgi grafiği bu tür çok adımlı akıl yürütmeye doğal bir zemin sağlar çünkü ajan, grafik üzerinde gezinerek kendi bir sonraki adımına karar verebilir.

Bu ajansal getirme (agentic retrieval) yaklaşımında GraphRAG pasif bir arama katmanı olmaktan çıkıp, ajanın "keşif haritasına" dönüşür. Ajan bir düğümden başlar, ilgili kenarları izler, gerekiyorsa daha derine iner ve topladığı varlık ilişkilerini yanıtın gerekçesi olarak sunar. Bu birleşimin nasıl çalıştığını anlamak için önce AI agent nedir ve agentic AI nedir rehberlerine göz atmak faydalıdır; ajanların dünyayla nasıl etkileştiğini MCP nedir yazısında da bulabilirsiniz.

GraphRAG güçlüdür ama bedava değildir; başarısının çoğu, grafiğin ne kadar iyi kurulduğuna bağlıdır. En yaygın hatalar şunlardır:

• Zayıf varlık çıkarımı: Belgelerden varlıkları ve ilişkileri hatalı çıkaran bir kurulum, yanlış bağlantılarla dolu bir grafik üretir; bu hata her yanıta taşınır.
• Gereksiz kullanım: Tek belgeden yanıtlanabilen basit sorular için GraphRAG kurmak, maliyet ve gecikmeyi boşuna artırır.
• Grafik güncelliği: Belgeler değiştikçe grafiğin güncellenmemesi, modeli eski ilişkilerle besler.
• Aşırı büyüyen alt grafik: İlişki takibini sınırlamamak, modele alakasız bağlantılardan oluşan gürültülü bir bağlam verir.

Bu hatalar ortak bir gerçeğe işaret eder: tıpkı klasik RAG gibi, GraphRAG kalitesi de modelden çok getirme katmanından — burada grafiğin kalitesinden — gelir. Doğru kurulmuş bir bilgi grafiği güçlü yanıtlar üretir; kötü kurulmuş biri en iyi modeli bile yanıltır.

GraphRAG ile klasik RAG arasındaki fark nedir?

Klasik (vektör) RAG belgeleri düz parçalara böler ve anlamca en benzer parçaları getirir; GraphRAG ise belgeleri bir bilgi grafiğine çevirip varlıklar arasındaki ilişkileri takip eder. Bu vektör rag farkı, GraphRAG'i çok adımlı ve ilişki-odaklı sorularda güçlü kılar.

GraphRAG her zaman klasik RAG'den daha mı iyidir?

Hayır. GraphRAG'i kurmak (varlık çıkarımı ve ilişki eşleme) daha pahalıdır ve tek bir belgeden yanıtlanabilen basit sorularda gereksiz karmaşıklık ekler. Yalnızca ilişki yoğun, çok belgeli ve çok adımlı soruların olduğu bilgi tabanlarında net üstünlük sağlar.

Bilgi grafiği (knowledge graph) tam olarak nedir?

Bilgi grafiği, kavramları düğüm (varlık), aralarındaki ilişkileri ise kenar olarak tutan bir yapıdır. Örneğin 'Ahmet' düğümü ile 'ABC Şirketi' düğümü, 'çalışıyor' kenarıyla bağlanır. GraphRAG bu varlık ilişkileri ağını sorgulayarak bağlam üretir.

GraphRAG için ayrı bir grafik veritabanı şart mı?

İlişkileri ölçekli sorgulamak için bir grafik veritabanı yaygın tercihtir, ama şart değildir. Küçük grafikler bellekte de tutulabilir. Önemli olan ürün değil, varlık çıkarımının kalitesi ve ilişki modelinin doğruluğudur; kötü çıkarılmış bir grafik en iyi altyapıyı bile işe yaramaz kılar.

GraphRAG halüsinasyonu daha mı çok azaltır?

İlişki-odaklı sorularda evet; çünkü yanıtı açıkça izlenebilir varlık bağlantılarına dayandırır ve hangi belgelerden hangi ilişkilerin geldiğini gösterebilir. Ancak grafik yanlış kurulduysa (hatalı ilişki, eksik varlık) hata da o oranda taşınır; kalite her zaman getirme katmanından gelir.

Özetle graphrag nedir sorusunun cevabı şudur: RAG'in getirme aşamasını düz metin parçaları yerine bir bilgi grafiği üzerinden yürüten, varlık ilişkilerini takip ederek çok adımlı ve ilişki-odaklı sorulara bütünsel yanıt veren mimari. En büyük vektör rag farkı, benzerlik yerine bağlantıya dayanmasıdır; en yaygın kurulum ise grafik ile vektör aramayı birleştiren hibrit mimaridir. Temel için RAG nedir, LLM nedir ve yapay zeka nedir rehberlerine göz atabilir; RAG ile ilişkisini derinleştirmek için AI agent nedir yazısını okuyabilir, kurumsal bir sistem için yapay zeka danışmanlığı ile başlayabilirsiniz. Kavram temelinizi büyütmek için öğrenme merkezine de göz atabilirsiniz.