GraphRAG

GraphRAG (geração aumentada por recuperação com grafos) é uma forma de geração aumentada por recuperação (RAG) que recupera informações de um grafo de conhecimento, em vez de — ou além dos — trechos de texto encontrados pela pesquisa vetorial. Primeiro, um modelo de linguagem grande (LLM) extrai as entidades de uma coleção de documentos, como pessoas, empresas, peças e lugares, junto com as relações entre elas. No momento da pergunta, o sistema recupera entidades conectadas, caminhos de relações ou resumos de grupos inteiros do grafo e os fornece ao LLM como contexto. O nome está mais associado à abordagem GraphRAG da Microsoft Research para sumarização orientada por consultas, publicada em 2024 junto com uma implementação de código aberto, e também é usado para qualquer sistema RAG que recupere informações de um grafo.

Por que o RAG vetorial precisa de um grafo#

O RAG padrão codifica trechos de documentos como embeddings, armazena-os em um banco de dados vetorial e recupera os poucos trechos mais semelhantes à pergunta. Isso funciona para perguntas respondidas por uma única passagem, mas tem dificuldades com dois outros tipos:

• Perguntas de múltiplas etapas: a resposta depende de fatos espalhados por documentos que se conectam apenas por meio de entidades compartilhadas, como quais fábricas dependem de um fornecedor perto de um porto fechado por uma tempestade. Nenhum trecho isolado é semelhante à pergunta inteira.
• Perguntas globais: perguntas sobre um corpus inteiro, como «Quais são os principais temas destes 5.000 relatórios de incidentes?», exigem informações de todos os documentos, enquanto a recuperação vetorial retorna apenas alguns dos trechos mais relevantes.

Um grafo armazena explicitamente as ligações entre fatos, permitindo que a recuperação as percorra, e os resumos das comunidades do grafo abrangem o corpus inteiro.

Como funciona o GraphRAG#

O GraphRAG da Microsoft cria seu índice em quatro etapas. Divide os documentos em unidades de texto e pede a um LLM que extraia entidades, relações e afirmações de cada unidade, uma forma de reconhecimento de entidades nomeadas e extração de relações orientada por LLM. Combina em um único nó as descrições das entidades que aparecem em muitas unidades. Em seguida, executa a detecção hierárquica de comunidades de Leiden, que agrupa entidades densamente conectadas em comunidades aninhadas, e pede ao LLM que escreva um relatório de resumo para cada comunidade em cada nível.

As consultas seguem então um de dois caminhos:

• Pesquisa local: começa pelas entidades mencionadas na pergunta e reúne os vizinhos, as relações, os relatórios das comunidades e as unidades de texto originais que as mencionam.
• Pesquisa global: aplica o método map-reduce aos relatórios das comunidades: cada relatório produz uma resposta parcial com uma pontuação de relevância, e as respostas parciais mais relevantes são combinadas na resposta final.

Em conjuntos de dados com cerca de um milhão de tokens, o artigo relatou que a pesquisa global produziu respostas significativamente mais abrangentes e variadas a perguntas sobre todo o corpus do que uma referência convencional de RAG.

O núcleo da pesquisa local é a travessia do grafo. Este exemplo em Python, que usa NetworkX, armazena triplas que um LLM poderia extrair de documentos separados e percorre as relações a partir da entidade mencionada na pergunta:

import networkx as nx

# Entity-relationship triples that an LLM extracted from separate documents
triples = [
    ("Typhoon", "closed", "Kaohsiung port"),
    ("Kaohsiung port", "ships parts for", "Supplier A"),
    ("Supplier A", "makes", "bearing B-17"),
    ("bearing B-17", "is used at", "Ohio plant"),
    ("Texas plant", "uses", "motor M-4"),
]
graph = nx.DiGraph()
for head, relation, tail in triples:
    graph.add_edge(head, tail, relation=relation)

# Question: "Which plants could the typhoon disrupt?"
# Local search: follow relationships outward from the entity named in the question
edges = nx.bfs_edges(graph, "Typhoon")
context = [f"{head} {graph[head][tail]['relation']} {tail}" for head, tail in edges]
print("\n".join(context))

Ele imprime a cadeia de quatro saltos de «O tufão fechou o porto de Kaohsiung» até «o rolamento B-17 é usado na fábrica de Ohio», uma conexão que nenhum documento-fonte isolado afirma, e deixa de fora a fábrica do Texas, que não tem relação. O LLM recebe essas linhas como contexto de fundamentação e pode responder que a fábrica de Ohio está em risco.

GraphRAG vs. abordagens relacionadas#

• Grafos de conhecimento: A estrutura de dados de entidades e relações tipadas. O GraphRAG cria ou reutiliza um especificamente para recuperar contexto para um LLM.
• Pesquisa híbrida: Combina a recuperação por palavras-chave e vetores em blocos de texto. Muitos sistemas GraphRAG de produção executam a travessia do grafo juntamente com a pesquisa híbrida.
• RAG agêntico: Um agente decide o que recuperar e quando, ao longo de várias etapas. As consultas ao grafo podem ser uma das suas ferramentas.
• Redes neurais de grafos (GNNs): Aprendem com a estrutura do grafo durante o treino, para tarefas como a previsão de ligações. O GraphRAG usa o grafo no momento da recuperação, sem treino.

Aplicações no mundo real#

• Descoberta de fármacos: Os grafos que ligam genes, proteínas, compostos e doenças permitem aos investigadores fazer perguntas que abrangem milhares de artigos, como quais os fármacos aprovados que têm como alvo proteínas numa via associada a uma doença.
• Investigações financeiras: Os analistas rastreiam cadeias de propriedade através de empresas de fachada e administradores partilhados e pedem a um LLM que resuma a rede por trás de uma transação suspeita.
• Risco na cadeia de abastecimento: Ligar fornecedores, peças, instalações e rotas de transporte permite responder a perguntas como quais os produtos que dependem de uma única fábrica.
• Conhecimento empresarial: Grandes coleções de relatórios, tickets e notas de reuniões tornam-se pesquisáveis por tema, com resumos de comunidades que respondem a perguntas sobre a coleção inteira.

Os grafos também podem armazenar aquilo que as câmaras veem, a base da RAG multimodal sobre vídeo. A resolução de entidades, que decide se duas menções se referem à mesma coisa, é a etapa que o rastreamento de objetos executa em vídeo: o rastreamento do Ultralytics YOLO26 atribui um ID persistente a cada pessoa ou veículo ao longo dos fotogramas, para que um grafo de vídeo possa armazenar um nó por objeto rastreado, com arestas que indiquem onde e quando apareceu junto de outros, em vez de um nó por fotograma.

Custos e compromissos#

A indexação é o principal custo, pois o LLM lê cada unidade de texto para extrair entidades e, em seguida, redige cada relatório de comunidade; por isso, indexar grandes corpora custa muito mais do que gerar embeddings. Erros de extração, como juntar duas pessoas diferentes com o mesmo nome, propagam-se para todas as respostas que as envolvam, e alterar documentos implica voltar a extrair e resumir as partes afetadas do grafo. O LazyGraphRAG da Microsoft reduz os custos ao criar o seu grafo de conceitos com extração de sintagmas nominais e estatísticas do grafo e adiar toda a utilização de LLM para o momento da consulta, o que torna o custo de indexação igual ao da RAG vetorial e correspondente a 0,1% do GraphRAG completo.