GraphRAG: cuando los grafos de conocimiento se encuentran con la recuperación
La generación aumentada por recuperación estándar encuentra pasajes que se parecen a una pregunta y se los entrega a un modelo de lenguaje. Funciona bien para preguntas directas cuya respuesta cabe en un párrafo. Flaquea cuando la respuesta exige conectar hechos que viven en lugares distintos. GraphRAG resuelve eso recuperando de un grafo de conocimiento en lugar de, o además de, un montón de fragmentos de texto. El modelo obtiene hechos y sus conexiones, no solo pasajes que casualmente comparten palabras con la pregunta.
Dónde se queda corto el RAG simple
Pregúntale a un sistema RAG simple "¿cuál de vuestros restaurantes abre hasta tarde y admite niños?". El recuperador busca fragmentos parecidos a esa frase. Encuentra un fragmento sobre el horario de cierre tardío y un fragmento sobre la política infantil, posiblemente de restaurantes distintos, posiblemente incompletos. El modelo se queda con la tarea de unirlos y a menudo adivina.
La pregunta son en realidad dos saltos: encontrar restaurantes y comprobar dos propiedades en cada uno. La similitud de texto no tiene ningún concepto de salto. Un grafo sí, porque los saltos son exactamente lo que son sus aristas.
Qué hace GraphRAG de otra manera
En GraphRAG el conocimiento del negocio vive como entidades y relaciones: el Hotel tiene el local Restaurante, el Restaurante cierra a las 23:00, el Restaurante admite niños sí. Cuando llega una pregunta, el sistema identifica las entidades que menciona, recorre el grafo desde esas entidades por las relaciones pertinentes y recoge los hechos que encuentra. Ese subgrafo, el puñado de nodos y aristas que importan, es lo que se le entrega al modelo.
El modelo ve ahora: Restaurante A, cierra 23:00, admite niños. Restaurante B, cierra 21:00, admite niños. Restaurante C, cierra 23:30, no admite niños. La respuesta es una simple lectura, sin adivinar.
Las dos variantes
El GraphRAG local parte de entidades concretas de la pregunta y explora su vecindario. Es preciso y económico, ideal para preguntas del tipo "háblame de esta cosa".
El GraphRAG global trabaja sobre resúmenes de regiones enteras del grafo, construidos de antemano agrupando entidades relacionadas. Responde a preguntas amplias como "cuáles son los temas principales en estas reseñas" que ningún nodo aislado podría responder. Muchos sistemas combinan los dos: el local para lo concreto, el global para la visión de conjunto.
Por qué el modelo se comporta mejor
Tres cosas mejoran cuando el modelo recibe un grafo en lugar de texto suelto.
La precisión sube. Los hechos llegan como afirmaciones explícitas con relaciones nombradas, de modo que el modelo no infiere a partir de la prosa.
Las preguntas de varios saltos se vuelven abordables. El recorrido por el grafo hace la conexión; el modelo solo tiene que leer el resultado.
Las respuestas se vuelven explicables. Como cada hecho procede de un nodo y una arista concretos, el sistema puede mostrar sus fuentes. "El Restaurante A admite niños" se remonta a un registro, no a un párrafo en alguna parte.
Qué te exige
GraphRAG solo funciona cuando el grafo existe. Eso significa que alguien tiene que expresar el conocimiento del negocio como entidades y relaciones, mantenerlo al día y dar a cada entidad una identidad estable. Esto supone más esfuerzo que volcar documentos en un almacén vectorial. Es también por lo que los resultados son mucho mejores, y por lo que los negocios que invierten en un grafo limpio de sus propios hechos son más fáciles de razonar para cualquier IA, sea esa IA la suya o la de otro.
La conclusión
El RAG simple recupera texto que se parece a la pregunta. GraphRAG recupera hechos y las conexiones entre ellos. Para cualquier cosa que requiera unir dos o más piezas de información, el grafo es lo que hace que la respuesta sea fiable en lugar de afortunada.
Haz que tu negocio sea recomendable para la IA
Esta es la mecánica que hay detrás de la visibilidad en IA. Si quieres ayuda para convertirla en una estructura que funcione para tu negocio, hablemos.
Habla con nosotros →