Saltar al contenido principal
Zubnet AI › Aprender › Wiki › GraphRAG
Usar AI

GraphRAG

También conocido como: Graph RAG, Knowledge Graph RAG
Una forma de generación aumentada por recuperación que primero convierte los documentos en un grafo de conocimiento, para que el sistema pueda responder preguntas que abarcan muchos documentos.

Por qué importa

GraphRAG apunta a las dos debilidades más conocidas del RAG simple:

  • Preguntas globales que requieren una vista de toda la colección: temas, tendencias, resúmenes.
  • Preguntas de varios saltos (multi-hop) que requieren enlazar datos de documentos distintos: A se relaciona con B, y B se relaciona con C.

Es más útil en trabajos de investigación y análisis sobre grandes colecciones privadas, como la revisión de pruebas en litigios, el análisis de inteligencia, la literatura científica y las bases de conocimiento empresariales.

En profundidad

El RAG estándar corta los documentos en chunks, calcula sus embeddings y recupera los pocos chunks más parecidos a la pregunta. Eso funciona bien cuando la respuesta está en uno o dos pasajes. Falla con preguntas como «¿Cuáles son los temas principales de estos 5.000 informes?» o «¿Cómo se conecta este proveedor con aquella demanda?», porque ningún chunk contiene por sí solo la respuesta.

GraphRAG agrega estructura antes de la recuperación. Un LLM lee los documentos y extrae las entidades (personas, empresas, productos, conceptos) y las relaciones entre ellas, con lo que construye un grafo de conocimiento. La recuperación puede entonces seguir conexiones en lugar de depender solo de la similitud de texto. El término se usa de forma genérica, y también nombra un sistema open source específico que Microsoft Research publicó en 2024.

Cómo funciona el GraphRAG de Microsoft

Indexación:

  1. Dividir los documentos en chunks.
  2. Hacer que un LLM extraiga entidades, relaciones y afirmaciones clave de cada chunk.
  3. Fusionarlas en un solo grafo, combinando las entidades duplicadas.
  4. Ejecutar un algoritmo de detección de comunidades para agrupar las entidades estrechamente conectadas en clústeres, con varios niveles de detalle.
  5. Hacer que un LLM escriba un informe resumen para cada comunidad.

Consulta:

  • Búsqueda global: para preguntas amplias, el sistema le plantea la pregunta a muchos resúmenes de comunidades, reúne respuestas parciales y las combina, al estilo map-reduce.
  • Búsqueda local: para preguntas sobre entidades específicas, parte de las entidades coincidentes y trae a sus vecinos, sus relaciones, los informes de comunidad y el texto fuente.

El costo

La indexación es cara. Cada chunk pasa por un LLM, a menudo varias veces, y los resúmenes suman más llamadas. Indexar una colección grande puede costar cientos o miles de veces más que calcular embeddings. Las actualizaciones también son incómodas, ya que los documentos nuevos pueden cambiar el grafo y sus resúmenes. La calidad de la extracción también importa: las entidades omitidas o mal fusionadas degradan las respuestas sin hacer ruido.

Hay variantes más livianas que atacan este problema. LazyGraphRAG, de Microsoft, pospone la mayor parte del trabajo del LLM hasta el momento de la consulta, y proyectos como LightRAG y HippoRAG usan una construcción de grafos más barata. Bases de datos de grafos y frameworks como Neo4j y LlamaIndex ofrecen sus propias herramientas de recuperación basadas en grafos.

Cuándo usarlo

Usa GraphRAG cuando los usuarios de verdad hagan preguntas globales o de atar cabos y la colección sea bastante estable. No lo uses para la consulta directa de datos, donde la búsqueda híbrida con un reranker es más barata, más rápida y por lo general igual de buena. Un camino sensato es construir primero un RAG simple, reunir las preguntas en las que falla y comprobar si son del tipo que un grafo arreglaría.

Una ruta alternativa

La recuperación agéntica resuelve algunos de los mismos problemas de otra manera: en lugar de construir un grafo de antemano, un agente busca repetidamente, siguiendo pistas de un documento al siguiente. Cuesta más por consulta pero nada por adelantado, y muchos equipos ahora la prueban antes de invertir en un grafo.

← Todos los términos
ESC