Pular para o conteúdo
LabS Atlas
Generative AI
Entrar

Graph RAG

Ir para notas que citam esta
atualizado há 25 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

Graph RAG é a variante de RAG que organiza o conhecimento em um grafo de entidades e relações com pesos, para navegar pelo contexto por relevância e não só por similaridade.

A técnica foi proposta pela Microsoft para contornar um limite do RAG tradicional: mesmo com boas estratégias de Chunking e vetorização, nem sempre é possível quebrar um texto de modo que cada pedaço preserve o sentido. Em vez de recuperar apenas trechos soltos de uma base vetorial, o Graph RAG usa o próprio modelo generativo para identificar as entidades relevantes do texto de origem e as relações entre elas, e combina esse grafo de conhecimento à busca vetorial.

As entidades conectadas formam comunidades de grafos, agrupamentos de nós ligados por relações de sentido. Comparações da documentação da Microsoft mostram respostas mais longas e mais contextualizadas que as de um RAG tradicional. Entre os Tipos de RAG, fica na complexidade alta, acima do RAG Semântico e abaixo do RAG Agêntico.

Como o grafo poda o contexto irrelevante

O exemplo clássico é um livro sobre a vida de Leonardo da Vinci. No grafo, Leonardo é o nó central, com ramificações para arquitetura, arte, engenharia e aviação, e cada ramo se desdobra em nós mais específicos. Uma pergunta sobre o protótipo de helicóptero não precisa de tudo o que se sabe sobre ele: a busca percorre apenas o ramo de aviação e descarta os demais.

Na imagem da árvore, a recuperação traz uma subárvore ligada ao tema, não o conjunto inteiro. Isso ganha desempenho e evita que um galho irrelevante entre em conflito com o conteúdo útil e deixe a resposta incompleta. O mesmo vale quando uma base especializada falha ao mudar o domínio da pergunta (datas em vez de horários): o grafo direciona a busca para o espaço temático certo antes de recuperar.

Pesos nas relações como mapa de prioridade

As relações do grafo carregam pesos, o que produz um mapa de prioridade: indica qual informação tem precedência para responder a uma consulta. Esse mapa captura critérios que a similaridade vetorial sozinha não enxerga bem, como um dado ser mais relevante por ser mais recente. Como a priorização já fica embutida na estrutura, o Graph RAG tende a dispensar o passo extra de reranking usado em outras variantes.

Construção do grafo e a biblioteca GraphRAG

A construção passa por quatro etapas: extração dos dados brutos (inclusive por web scraping ou APIs), estruturação desses dados em grafo, enriquecimento do contexto (o equivalente à etapa de augmentation do RAG) e manutenção contínua, em que o sistema se refina à medida que recebe novas perguntas, sobretudo quando combinado a agentes.

Para armazenar o grafo, o banco mais usado é o Neo4j, com interface gráfica para visualizar nós e conexões; o Amazon Neptune é outra opção. A Microsoft mantém a biblioteca de código aberto GraphRAG, que gera um projeto base: a inicialização cria um arquivo de configuração onde se escolhem o LLM, o provedor e o modelo de embedding; os arquivos de entrada (um livro em texto puro, por exemplo) vão para a pasta de entrada; a indexação gera os grafos localmente; e a consulta recebe a pergunta e o método de busca, local ou mais abrangente.

Provedores gratuitos e embeddings

Com provedores gratuitos, como o Groq, vale reduzir os limites de tokens e de requisições por minuto, pois a indexação dispara muitas chamadas. Os embeddings consomem créditos do provedor: sem saldo, a indexação falha. Um modelo de embedding de outro provedor ou um modelo local contorna o problema.

Quando o custo do grafo se justifica

As aplicações típicas envolvem padrões complexos em grandes volumes de dados: diagnóstico mais preciso e precoce em saúde, detecção de fraudes em transações financeiras e otimização de serviços públicos, como transporte, em cidades inteligentes.

Não é a escolha padrão

O Graph RAG depende de dados bem estruturados: com entrada pouco estruturada, o grafo se perde e não consegue posicionar os pesos. É a variante mais difícil de integrar a sistemas que já funcionam com aproximação vetorial e é bem mais cara de implementar e manter. Faz sentido quando as relações entre os dados já são conhecidas de antemão, como em bases relacionais bem modeladas.