„Graph engineering” — nowa dyscyplina czy nowa nazwa? GraphRAG i grafy wiedzy bez hype’u

Latem 2026 w anglojęzycznym internecie o AI pojawił się nowy termin: graph engineering. Szybko dorobił się narracji o „kolejnym etapie” po prompt engineeringu i context engineeringu. Sprawdziliśmy, skąd się wziął, co faktycznie oznacza i co mówią o technologii pod spodem niezależne badania.

Krótko: sam termin to w dużej mierze nowa etykieta, ale technologia, do której się odwołuje, jest realna — tylko dużo węższa, niż sugeruje narracja.

Skąd się wziął termin

• 18 lipca 2026 Peter Steinberger (@steipete) zapytał na X: „Are we still talking loops or did we shift to graphs yet?” — czyli czy nadal mówimy o „pętlach”, czy już przeszliśmy na „grafy”. Wokół tego krótkiego pytania w ciągu kilku dni powstała fala tekstów o „graph engineeringu”.
• 22 lipca 2026 LangChain — firma, która od lat rozwija LangGraph i miałaby najwięcej do zyskania na ogłoszeniu nowej dyscypliny — opublikowała tekst, w którym pisze wprost:

„Graph engineering” isn’t a new idea. It’s the latest name for a well established approach to building reliable agents. […] It’s the latest term to come out of X’s AI content factory, joining prompt engineering, context engineering, harness engineering, and loop engineering.

• 21 sierpnia 2026 termin trafił do literatury naukowej: na arXiv ukazał się obszerny przegląd „Graph Engineering in the Era of LLM Agents”. Jego abstrakt ustawia dziedzinę w ciągu: prompt engineering → context engineering → harness engineering → loop engineering.
• Duże laboratoria go nie używają. Kanoniczny tekst Anthropic o context engineeringu (29 września 2025) definiuje go jako „zbiór strategii kurowania i utrzymywania optymalnego zestawu tokenów podczas inferencji modelu” i nie zawiera słowa „graph” ani razu. Jako strategie dla długich zadań wymienia kompaktowanie, notatki poza oknem kontekstowym i architekturę z sub-agentami.

Wniosek: termin żyje w tekstach praktyków i w jednym przeglądzie naukowym, ale nie opisuje nowej technologii. Zbiera pod jednym szyldem kilka istniejących.

Cztery znaczenia jednego terminu

Główny powód, żeby uważać z tym słowem: dziś oznacza cztery różne rzeczy.

Pierwsze i trzecie znaczenie łączy tylko słowo. Graf w LangGraph opisuje przepływ sterowania w programie (systemy multi-agent); graf wiedzy opisuje fakty i relacje. Większość tekstów z lipca 2026 zlewa jedno z drugim.

Co pod spodem działa — i co nie

Tu zaczyna się część, która ma pokrycie w liczbach. Poniżej dwa niezależne, akademickie źródła, a nie materiały firm sprzedających bazy grafowe.

GraphRAG-Bench (arXiv 2506.05690, przyjęty na ICLR 2026) już w abstrakcie przywołuje wcześniejsze badania, według których GraphRAG „często wypada gorzej niż zwykły RAG w wielu zadaniach ze świata rzeczywistego”, i sprawdza, kiedy graf naprawdę pomaga. Na zbiorze „Novel”:

Koszt — średnia liczba tokenów na zapytanie w tym samym badaniu:

Czyli: HippoRAG 2 kosztuje mniej więcej tyle co zwykły RAG, a popularny Microsoft GraphRAG — od kilkudziesięciu do kilkuset razy więcej, zależnie od trybu.

„RAG vs. GraphRAG: A Systematic Evaluation” (arXiv 2502.11371; autorzy m.in. z Michigan State University, University of Oregon, Meta i IBM Research) dokłada dwie obserwacje na zbiorze MultiHop-RAG:

• Pytania o czas („co obowiązywało w marcu”): 50,60% dla GraphRAG (tryb lokalny) wobec 30,70% dla zwykłego RAG-a — największa zmierzona przewaga grafu w tej pracy.
• Budowa indeksu: 5560 sekund dla GraphRAG wobec 135 sekund dla zwykłego RAG-a.

Wniosek autorów: RAG i GraphRAG „wykazują komplementarne zachowania, a nie stałego zwycięzcę” — najlepiej działają strategie łączące oba podejścia.

Jest jeszcze trzecie zastosowanie, w którym graf ma przewagę z samej konstrukcji: pytania o cały zbiór dokumentów („o czym w ogóle jest ten korpus?”). Oryginalna praca Microsoft Research o GraphRAG (kwiecień 2024) już w abstrakcie stwierdza, że zwykły RAG zawodzi przy pytaniach skierowanych do całego korpusu — bo widzi tylko kilka wyszukanych fragmentów, a nie całość.

Uwaga na liczby z materiałów marketingowych

W tej niszy krąży wiele efektownych liczb („kilka razy dokładniej”, „80% wobec 50%”). Porównuj je zawsze z neutralnymi benchmarkami jak powyższe: przewagi grafu są w nich zależne od zadania, zwykle umiarkowane, a czasem ujemne, przy wyraźnie wyższym koszcie. Sprawdzaj, kto przeprowadził test, na ilu pytaniach i czy wynik ktoś powtórzył.

Osobna historia to LazyGraphRAG. Microsoft Research ogłosił go 25 listopada 2024, obiecując koszt indeksowania „identyczny jak w wektorowym RAG-u i wynoszący 0,1% kosztu pełnego GraphRAG”. Według notki redakcyjnej z czerwca 2025 technologia trafiła do usług Microsoft Discovery i Azure Local — do otwartej biblioteki GraphRAG nie weszła. Od sierpnia 2026 samo repozytorium Microsoft GraphRAG jest, jak piszą jego autorzy, „w dużej mierze w trybie utrzymania” i nie przyjmuje nowych funkcji.

Co to znaczy dla Ciebie

Jeśli budujesz system RAG: zanim sięgniesz po graf, wypisz 30 realnych pytań, na które system ma odpowiadać, i policz, ile z nich wymaga łączenia faktów, dotyczy czasu albo całego zbioru dokumentów. Nasza reguła kciuka: jeśli to mniej niż jedna trzecia, graf raczej podniesie rachunek, niż poprawi wyniki. Najpierw wyczerp tańsze dźwignie — dobry podział na fragmenty, wyszukiwanie hybrydowe (słowa kluczowe plus wektory) i reranking. Instrukcja: RAG w praktyce.

Jeśli budujesz agenta z pamięcią: tu graf ma mocny argument. Fakty się zmieniają („to było prawdą trzy miesiące temu”), a graf pozwala zapisać przy fakcie okres ważności i źródło, zamiast nadpisywać go po cichu. Pytania o czas to właśnie obszar, w którym badanie Han i in. zmierzyło największą przewagę grafu.

Jeśli piszesz lub mówisz o tym publicznie: nie używaj samego „graph engineering” bez wyjaśnienia. Część odbiorców zrozumie „topologię agentów”, część „budowę grafu wiedzy”. Nazywaj rzeczy konkretnie: GraphRAG, graf wiedzy, pamięć agenta, orkiestracja agentów.

Nasza ocena: graf stanie się raczej wyspecjalizowanym komponentem (jak dziś reranking), wbudowanym w usługi, niż osobną dyscypliną. Sam termin może podzielić los „loop engineeringu” — sprawdzimy to przy przeglądzie w listopadzie 2026.

Stan na 26.09.2026. Wszystkie liczby pochodzą z podlinkowanych prac akademickich i dokumentacji; nie zestawiamy ich z wynikami podawanymi przez dostawców baz grafowych, bo nie są porównywalne.