ktg-plugin-marketplace/plugins/ms-ai-architect/skills/ms-ai-engineering/references/rag-architecture/graphrag-knowledge-graphs.md

GraphRAG - Knowledge Graphs and Relationship Extraction

Last updated: 2026-04 | Verified: MCP 2026-04 Status: Preview Category: RAG Architecture & Semantic Search

---

Introduksjon

GraphRAG representerer en fundamental utvidelse av tradisjonell Retrieval-Augmented Generation (RAG) ved å innføre knowledge graphs som strukturert grunnlag for kontekstrikere søk og resonnering. Der klassisk RAG baserer seg på vector similarity for å finne relevante dokumentchunks, utnytter GraphRAG eksplisitte entitets- og relasjonsforbindelser for å svare på spørsmål som krever forståelse av hierarkier, avhengigheter og komplekse sammenhenger.

GraphRAG kombinerer tre komplementære retrieval-strategier: tradisjonell database-RAG for fakta-lookup, vector search for semantisk likhet, og graph traversal for relasjonelle spørsmål. Dette hybridsystemet, ofte kalt OmniRAG, velger dynamisk den mest hensiktsmessige søkemetoden basert på brukerens spørsmålstype. For eksempel vil spørsmål om "hvem rapporterer til hvem" utløse graph traversal, mens "finn lignende dokumenter" bruker vector search.

I Microsoft-økosystemet implementeres GraphRAG primært via CosmosAIGraph — en løsning som utnytter Azure Cosmos DB sine skalerbare capabilities for både dokument-, vektor- og graph-databaser. Ved å kombinere disse i én plattform, muliggjør CosmosAIGraph sofistikerte datamodeller for use cases som anbefalingssystemer, supply chain-analyse, fraud detection og organisasjonshierarkier.

---

Kjernekomponenter

GraphRAG-systemet består av flere integrerte lag som sammen muliggjør relasjonell søking og resonnering:

Komponent	Beskrivelse	Microsoft-teknologi
Entity Extraction	Identifiserer og trekker ut navngitte entiteter (personer, organisasjoner, lokasjoner) fra tekst	Azure AI Language Service (NER v3), GenAI Prompt skill
Relationship Graphs	Representerer entiteter som nodes og relasjoner som edges i en graph-struktur	Azure Cosmos DB (graph API), Microsoft Fabric Graph (Labeled Property Graph — LPG model, Public Preview), Kusto Query Language (KQL) graph semantics
Graph Indexing	Lagrer og indekserer graph-strukturen for effektiv traversal og søk	Azure Cosmos DB indexing, Azure AI Search (hybrid indexing)
Traversal Queries	Søkemekanismer for å navigere graph-strukturen (pattern matching, shortest path, neighborhood search)	KQL graph-match, graph-shortest-paths, Labeled Property Graphs (LPG)
Entity Linking	Forbinder ekstraherte entiteter med eksisterende knowledge bases (f.eks. Wikipedia) for normalisering og anrikning	Azure AI Language Entity Linking skill
Vector Integration	Kombinerer graph traversal med vector embeddings for hybrid retrieval	Azure AI Search (hybrid queries), Azure OpenAI Embedding skill

Entity Extraction og Enrichment

Entity extraction-prosessen transformerer ustrukturert tekst til strukturerte entitets-objekter med metadata:

• Built-in skills: Entity Recognition (v3) fra Azure AI Search extraherer 14 kategorier (Person, Organization, Location, Quantity, DateTime, URL, Email)
• Custom extraction: GenAI Prompt skill tillater few-shot learning for domene-spesifikke entiteter
• Entity normalization: Wikipedia IDs, Bing IDs og confidence scores legges til for datakvalitet

Graph Database Modeller

Microsoft Fabric Graph (Preview): Fabric Graph bruker Labeled Property Graph (LPG)-modellen for rask traversal og analytics. RDF-formatet støttes ikke. LPG egner seg for enterprise analytics og fraud detection der semantisk web-integrasjon ikke er nødvendig.

Microsoft Fabric og Azure støtter Labeled Property Graphs (LPG) som standard graph-modell:

• Nodes (entiteter): Har labels (typer), properties (attributter) og unique IDs
• Edges (relasjoner): Har types (f.eks. "knows", "depends_on"), properties (weights, timestamps) og retning
• Schema flexibility: Kan utvikles inkrementelt uten rigid schema constraints
• RDF ikke støttet: Resource Description Framework (RDF) er ikke støttet i Microsoft Fabric per 2026

---

Arkitekturmønstre

1. Local vs. Global GraphRAG

Mønster	Beskrivelse	Bruksområde	Fordeler	Ulemper
Local GraphRAG	Traverserer graph fra query-relevante nodes (1-3 hops)	Q&A om spesifikke entiteter ("Hvem jobbet sammen med Person A?")	Rask, presis, lav compute-kostnad	Mister global kontekst, begrensede inferenser
Global GraphRAG	Bygger community-struktur og summaries over hele graph	Strategiske spørsmål ("Hvilke temaer dominerer dette dokumentsettet?")	Holistisk forståelse, oppdager skjulte mønstre	Compute-intensiv, høy latency, krever pre-processing

Best practice: Bruk local GraphRAG for runtime queries, global GraphRAG for batch-analyse og insight-generering.

2. Hybrid Vector + Graph Retrieval

Kombinerer vector similarity search med graph traversal for maksimal kontekst-relevans:

1. Vector search → finn top-N semantisk relevante chunks
2. Entity extraction → identifiser entiteter i chunks
3. Graph traversal → ekspander med relaterte entiteter (1-2 hops)
4. Re-ranking → kombiner vector scores og graph proximity
5. Context assembly → samle anriket kontekst for LLM-prompt

Fordeler: Balanserer semantic similarity med autoritative relasjoner, reduserer hallucinations. Ulemper: Høyere latency, krever orchestration-logikk (f.eks. Microsoft Agent Framework).

3. Entity-Centric Retrieval

Spesielt effektivt for domener med mange-til-mange relasjoner (supply chains, org charts, knowledge bases):

• Pattern: Query → entity lookup → relationship expansion → document retrieval
• Eksempel: "Finn alle avhengigheter for produkt X" → hent product node → travers "depends_on" edges → returner relaterte produkter
• Microsoft-implementasjon: CosmosAIGraph med OmniRAG dynamic routing

---

Beslutningsveiledning

Når bruke GraphRAG?

Scenario	Anbefaling	Alternativ
Spørsmål om relasjoner, hierarkier, avhengigheter	✅ GraphRAG (graph traversal)	Vector RAG (vil feile på relasjonelle inferenser)
Spørsmål om "hvem", "hva", "hvor" (fakta)	Database RAG	GraphRAG (overkill)
Semantisk likhetssøk ("finn lignende")	Vector RAG	GraphRAG (unødvendig kompleksitet)
Ukjent query-type (varierende brukerformål)	OmniRAG (dynamisk routing)	Single-mode RAG (suboptimalt)
Eksplorative spørsmål ("vis sammenhenger")	Global GraphRAG	Local/vector RAG (for snevert)

Vanlige feil

Feil	Konsekvens	Løsning
Bruker GraphRAG for alle queries	Unødvendig høy latency og kostnad	Implementer OmniRAG-routing basert på query classification
Ingen entity normalization	Duplikate nodes ("Microsoft" vs. "Microsoft Corp")	Bruk Entity Linking skill + canonical ID-mapping
For dype traversals (5+ hops)	Eksplosjonsartet resultatmengde, timeout	Begrens til 1-3 hops, bruk shortest-path algorithms
Ignorerer vector component i hybrid mode	Mister semantisk kontekst	Alltid kombiner graph + vector for best recall
Mangelfull graph indexing	Treg traversal-performance	Bruk Azure Cosmos DB indexing policies, pre-compute communities

Røde flagg

• 🚩 Persondata i graph nodes: GDPR-risiko hvis PII lagres uten anonymisering
• 🚩 Ingen confidence thresholds: Lav-kvalitet entity extraction forurenser graph
• 🚩 Statisk graph model: Manglende evne til å håndtere nye entitetstyper
• 🚩 Single graph instance: Ingen fallback hvis graph queries feiler

---

Integrasjon med Microsoft-stakken

Azure Cosmos DB for GraphRAG

CosmosAIGraph (aka.ms/cosmosaigraph) er Microsofts native GraphRAG-løsning:

• Multi-model database: Document, vector og graph i samme container
• OmniRAG-orchestration: Automatisk routing basert på query intent
• Skalering: Global distribution, RU-based throughput (handles massive graphs)
• API: Gremlin API (graph traversal), SQL API (document queries)

Azure AI Search

• Hybrid indexing: Lagrer både vectors og graph-metadata (entity IDs, relationship types)
• Enrichment pipeline: Entity Recognition skill + custom skills for graph-population
• Reranking: Semantic ranking kombinert med graph proximity scores
• Knowledge base API: Preview-feature for agentic retrieval (includes graph-aware context assembly)

Azure OpenAI

• Embedding models: text-embedding-3-large for vector component av hybrid GraphRAG
• Prompt engineering: GenAI Prompt skill for few-shot entity extraction
• Reasoning over graphs: GPT-4 og Opus for complex graph reasoning (path explanations, multi-hop inferenser)

Microsoft Agent Framework

• Orchestration: Koordinerer database → graph → vector → LLM pipelines
• Agent tools: Graph query tools (Gremlin, KQL) som agent capabilities
• Streaming: Inkrementell graph traversal for low-latency agent responses

Kusto Query Language (KQL) Graph Semantics

Microsoft Fabric og Azure Data Explorer støtter KQL graph operators:

• make-graph: Konstruerer graph fra tabular data (node/edge tables)
• graph-match: Pattern matching (f.eks. "MATCH (Person)-[:knows]->(Friend)")
• graph-shortest-paths: Finn korteste sti mellom nodes
• graph-to-table: Konverter graph-resultater til tabeller for videre analyse

---

Offentlig sektor (Norge)

GDPR og knowledge graphs

GraphRAG introduserer spesifikke personvernrisiki i offentlig sektor:

Risiko	GDPR-artikkel	Tiltak
PII i entity nodes	Art. 5 (data minimization)	Anonymiser personnavn, bruk pseudonymiserte IDs
Relasjonsgraphs som profilering	Art. 22 (automated decisions)	Eksplisitt consent for graph-baserte anbefalinger
Persistent graph storage	Art. 17 (right to erasure)	Implementer node/edge deletion workflows
Cross-border graph traversal	Art. 44 (international transfers)	Bruk Azure Norway regions, regional graph partitions

Compliance-krav

• Schrems II: GraphRAG-data i Azure Norway (oslo-region) oppfyller EU data residency
• Arkivloven: Graph snapshots må inkluderes i dokumentasjonssystemer (OEP-format krever flattening)
• Sikkerhetsloven: Graph-relasjoner klassifiseres som "indirekte identifikatorer" (kryptér edges med sensitive relasjoner)

Anbefalt pattern for offentlig sektor

1. Dokument-ingest → entity extraction (anonymisert) → graph population
2. PII-nodes lagres i separate encrypted containers (ikke i graph)
3. Graph-relasjoner bruker role-based IDs ("Leder-1234" vs. "Navn Navnesen")
4. Query-logging for auditability (hvem traverserte hvilke relasjoner?)
5. Automatic retention policies (delete old graph data per arkivplan)

---

Kostnad og lisensiering

Azure Cosmos DB Pricing (GraphRAG-spesifikt)

Komponent	Enhet	Pris (NOK, ca.)	Optimalisering
Graph storage	1 GB/måned	~12 NOK	Partition graphs per domain, archive old communities
Read/write RUs	100 RU/s provisioned	~500 NOK/måned	Use serverless for sporadic queries, autoscaling for variable load
Graph traversal	Per query complexity (RUs)	Variabel (5-100 RU per traversal)	Cache frequent paths, limit hop depth
Global distribution	Per region replica	+100% storage cost	Use single-region for dev/test

TCO-eksempel (medium-sized graph):

• 100 GB graph data
• 10,000 queries/dag (mix av local/global)
• Provisioned 1000 RU/s
• Månedlig kostnad: ~8,000 NOK

Azure AI Search for Hybrid GraphRAG

• Indexing: Entity extraction via built-in skills (~2-5 NOK per 1000 documents)
• Hybrid queries: Vector + metadata filtering (inkludert i query cost, ingen ekstra)
• Semantic ranking: +100 NOK/måned (1000 queries/month tier)

Optimaliseringstips

1. Pre-compute global graph summaries (kjør batch jobs nattetid, cache results)
2. Partition graphs by tenant/department (reduser traversal scope, isoler cost per user)
3. Use materialized views (lagre frequently-queried subgraphs som denormalized tables)
4. Tiered retrieval: Start med cheap vector search, eskalér til graph kun hvis nødvendig
5. Monitor RU consumption: Set alerts på >80% RU usage, auto-scale eller optimize queries

---

For arkitekten (Cosmo)

Spørsmål å stille kunden

1. Hvilke typer spørsmål skal systemet besvare? → Avgjør om local, global eller hybrid GraphRAG trengs

2. Finnes det etablerte ontologies/taxonomier i domenet? → Kan gjenbruke eksisterende entity types vs. bygge fra scratch

3. Hvor mange entiteter og relasjoner forventes? → Dimensjonerer Cosmos DB RUs, vurderer partitioning-strategi

4. Hvor dynamisk er dataen? (Hvor ofte endres relasjoner?) → Statiske graphs kan pre-kompileres, dynamiske krever real-time indexing

5. Finnes det persondata i entitetene? → GDPR-vurdering, pseudonymisering, consent-flows

6. Hva er latency-kravene for queries? → <500ms: bruk pre-computed paths; <2s: local traversal; >2s: global ok

7. Skal brukere kunne visualisere graphen? → Krever frontend integration (f.eks. vis.js, D3.js) + export API

8. Hvilke downstream-systemer skal konsumere graph-innsikter? → API design, batch export vs. streaming updates

Fallgruver

Fallgruve	Hvorfor det skjer	Hvordan unngå
Graph blir for stor til å travers	Ukontrollert vekst (ingen arkivering)	Implementer retention policies, partition per time period
Entity extraction av lav kvalitet	Default NER-modeller ikke trent på domene	Fine-tune custom models, bruk GenAI Prompt skill med examples
Ingen fail-over fra graph til vector	Hard dependency på graph availability	Implementer OmniRAG-fallback: graph timeout → vector search
Query performance degrades over tid	Index fragmentation, ingen maintenance	Schedule index rebuilds, monitor query latencies
Brukere forventer real-time graph updates	Batch-basert indexing pipeline	Set forventninger (eventual consistency), eller bruk streaming ingestion

Anbefalinger per modenhetsnivå

Nivå	Startpunkt	Neste steg
Eksplorerende (ingen RAG i prod)	Pilot med CosmosAIGraph demo dataset	Evaluer query patterns, beslut local vs. global
Etablert RAG (vector search i prod)	Legg til entity extraction i existing pipeline	A/B-test hybrid vs. vector-only retrieval
Modenhet (multi-modal RAG)	Implementer OmniRAG routing	Optimize cost med query classification + tiered retrieval
Avansert (custom graph reasoning)	Tren fine-tuned entity linker på domene-data	Build custom graph reasoning agents (multi-hop, counterfactual queries)

---

Kilder og verifisering

Microsoft Learn-kilder (fra MCP-research)

Seksjon	URL	Konfidensnivå
CosmosAIGraph arkitektur	https://learn.microsoft.com/en-us/azure/cosmos-db/gen-ai/cosmos-ai-graph	✅ Verified (2026-02)
Graph semantics i KQL	https://learn.microsoft.com/en-us/kusto/query/graph-semantics-overview	✅ Verified (2026-02)
Entity Recognition skill (v3)	https://learn.microsoft.com/en-us/azure/search/cognitive-search-skill-entity-recognition-v3	✅ Verified (2026-02)
Azure AI Search transparency note	https://learn.microsoft.com/en-us/azure/ai-foundry/responsible-ai/search/transparency-note	✅ Verified (2026-02)
RAG solution design guide	https://learn.microsoft.com/en-us/azure/architecture/ai-ml/guide/rag/rag-solution-design-and-evaluation-guide	✅ Verified (2026-02)
Labeled Property Graphs (LPG)	https://learn.microsoft.com/en-us/fabric/graph/graph-data-models	✅ Verified (2026-02)

Konfidens per seksjon

• Introduksjon: ✅ Verified (direkte fra Cosmos DB docs)
• Kjernekomponenter: ✅ Verified (Azure AI Search + Cosmos DB capabilities)
• Arkitekturmønstre: ⚠️ Baseline (inferert fra best practices, ikke eksplisitt dokumentert)
• Beslutningsveiledning: ⚠️ Baseline (syntetisert fra multiple sources)
• Microsoft-integrasjon: ✅ Verified (official API docs)
• Offentlig sektor: ⚠️ Baseline (GDPR-prinsipper applisert på GraphRAG-kontekst)
• Kostnad: ⚠️ Baseline (Cosmos DB pricing, estimater fra modell-kunnskap)

Notater

• CosmosAIGraph er en GitHub-basert løsning (preview), ikke en fullt integrert Azure-tjeneste per februar 2026
• Global GraphRAG-konseptet er inspirert av research (ikke eksplisitt Microsoft-terminologi)
• NOK-priser er omregnet fra USD med kurs 10.5 (verifiser mot aktuelle priser)

---

For Cosmo Skyberg: Dette dokumentet skal brukes for å vurdere om GraphRAG-patterns er hensiktsmessige for kundens use case. Prioriter alltid spørsmålet: "Trenger vi faktisk graph traversal, eller holder vector search?" — kompleksitet skal forsvares med klare fordeler. Ved tvil, start med hybrid approach (vector + metadata) før full graph commitment.