GraphRAG
Pourquoi c'est important
GraphRAG vise les deux faiblesses les plus connues du RAG simple :
- Les questions globales qui demandent une vue de toute la collection : thèmes, tendances, synthèses.
- Les questions à plusieurs sauts (multi-hop) qui demandent de relier des faits issus de documents différents : A est lié à B, et B est lié à C.
Il est surtout utile pour le travail d'enquête et d'analyse sur de grandes collections privées, comme la recherche de preuves dans un dossier juridique, l'analyse du renseignement, la littérature scientifique et les bases de connaissances d'entreprise.
En profondeur
Le RAG standard découpe les documents en chunks, calcule leurs embeddings et récupère les quelques chunks les plus proches de la question. Cela fonctionne bien quand la réponse tient dans un ou deux passages. Cela échoue sur des questions comme « Quels sont les grands thèmes de ces 5 000 rapports ? » ou « Quel est le lien entre ce fournisseur et ce procès ? », car aucun chunk ne contient la réponse à lui seul.
GraphRAG ajoute de la structure avant la récupération. Un LLM lit les documents et en extrait les entités (personnes, entreprises, produits, concepts) et les relations entre elles, ce qui construit un graphe de connaissances. La récupération peut alors suivre des liens au lieu de s'appuyer uniquement sur la similarité de texte. Le terme s'emploie de façon générique, et désigne aussi un système open source précis publié par Microsoft Research en 2024.
Comment fonctionne le GraphRAG de Microsoft
Indexation :
- Découper les documents en chunks.
- Faire extraire par un LLM les entités, les relations et les affirmations clés de chaque chunk.
- Les fusionner en un seul graphe, en regroupant les entités en double.
- Lancer un algorithme de détection de communautés pour regrouper les entités étroitement connectées en grappes, à plusieurs niveaux de détail.
- Faire rédiger par un LLM un rapport de synthèse pour chaque communauté.
Interrogation :
- Recherche globale : pour les questions larges, le système soumet la question à de nombreuses synthèses de communautés, recueille des réponses partielles et les combine, à la manière d'un map-reduce.
- Recherche locale : pour les questions portant sur des entités précises, il part des entités correspondantes et ramène leurs voisins, leurs relations, les rapports de communauté et le texte source.
Le coût
L'indexation coûte cher. Chaque chunk passe par un LLM, souvent plusieurs fois, et les synthèses ajoutent encore des appels. Indexer une grande collection peut coûter des centaines ou des milliers de fois plus que calculer des embeddings. Les mises à jour sont aussi délicates, puisque de nouveaux documents peuvent modifier le graphe et ses synthèses. La qualité de l'extraction compte également : des entités manquées ou fusionnées à tort dégradent discrètement les réponses.
Des variantes plus légères s'attaquent au problème. LazyGraphRAG de Microsoft repousse l'essentiel du travail du LLM au moment de la requête, et des projets comme LightRAG et HippoRAG construisent le graphe à moindre coût. Des bases de données de graphes et des frameworks comme Neo4j et LlamaIndex proposent leurs propres outils de récupération fondés sur les graphes.
Quand l'utiliser
Utilisez GraphRAG quand les utilisateurs posent vraiment des questions globales ou des questions qui relient des éléments épars, et que la collection est assez stable. Ne l'utilisez pas pour la simple recherche de faits, où la recherche hybride avec un reranker est moins chère, plus rapide et généralement tout aussi bonne. Une démarche raisonnable consiste à construire d'abord un RAG simple, à recueillir les questions sur lesquelles il échoue, puis à vérifier si elles sont du genre qu'un graphe corrigerait.
Une autre voie
La récupération agentique résout une partie des mêmes problèmes autrement : au lieu de construire un graphe à l'avance, un agent cherche de façon répétée, en suivant des pistes d'un document à l'autre. Elle coûte plus cher par requête mais rien au départ, et de nombreuses équipes l'essaient désormais avant d'investir dans un graphe.