En vivo 18.11 · Cohorte 318 nov, 19:00 MSK — taller práctico gratuito de agentes IA · Cohorte 3 en vivo inicia 23.11Taller 18 nov →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarMachine Learning Mastery→ original

Graph-RAG: la base de datos manda sobre la wiki y los PDF, con de media un 44% menos de alucinaciones

A las 11 de la noche, el asistente da el nombre del responsable de guardia del servicio de pagos según una wiki que nadie toca desde hace cuatro meses, aunque la base de datos ya registra a otra persona. Graph-RAG es un sistema de recuperación en el que los hechos de la base, la wiki y los PDF se ordenan por nivel de confianza, y la regla «si hay desacuerdo, cree a la base» está escrita en el prompt. Según una estimación de IDC para Neo4j, el contexto en grafo reduce las alucinaciones un 44% de media. Conclusión práctica: asigne a cada fuente una prioridad y una etiqueta de procedencia.

Procesado por IA desde Machine Learning Mastery; editado por Hamidun News
Graph-RAG: la base de datos manda sobre la wiki y los PDF, con de media un 44% menos de alucinaciones
Fuente: Machine Learning Mastery. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalMachine Learning Mastery ↗
Editor jefe
Dato clave #1La wiki señala como responsable de guardia a Jordan Blake y la base, a Amara Chen; gana la base
Nivelesbase de datos (prioridad 1), wiki (2), PDF en Chroma (3)
Dato clave #3En una empresa de life sciences, las alucinaciones bajaron del 20–40% al 2–5%

Imagine la escena: a las 11 de la noche, un ingeniero pregunta a un asistente interno de IA quién está de guardia en el servicio de pagos. El asistente ha leído la wiki, ha indexado todos los PDF del disco compartido y está conectado al registro de servicios. La pregunta es trivial, pero la wiki se editó por última vez hace cuatro meses, el calendario de guardias ha cambiado dos veces desde entonces y la respuesta vigente está en una sola fila de la base de datos.

Si el sistema de búsqueda trata todas las fuentes como texto igual de fiable, el asistente puede nombrar a alguien que hace tiempo salió de la rotación. Ese es el problema que resuelve Graph-RAG: así se llama a un RAG (búsqueda en documentos que inserta lo encontrado en el prompt del modelo) en el que los hechos se almacenan como relaciones y se separan por niveles de confianza. Shittu Olumide, autor del análisis en Machine Learning Mastery, aporta además una estimación: según un estudio de IDC patrocinado por Neo4j, las organizaciones que se apoyan en contexto en grafo reducen de media un 44% la proporción de alucinaciones (respuestas inventadas).

En la práctica, esto significa que, cuando las fuentes discrepan, el asistente debe creer a la base de datos y no a la wiki.

Por qué falla la búsqueda vectorial convencional

La idea procede de un artículo anterior del autor sobre un Graph-RAG determinista de tres niveles. Allí, un RAG puramente vectorial confundía en qué equipo juega ahora un jugador de baloncesto: los nombres de los equipos están cerca en el espacio de embeddings y la búsqueda no sabe cuál de ellos es el actual. La solución son tres niveles de recuperación: un grafo de hechos absolutos, un grafo de estadísticas de contexto y una base vectorial. Sus resultados se combinan en una única respuesta mediante reglas de prioridad explícitas, escritas directamente en el prompt y no integradas en un algoritmo de enrutamiento.

Tres fuentes, tres niveles de confianza

El escenario es didáctico: el equipo de plataforma ficticio Northwind tiene tres servicios: payments-service, checkout-service y notifications-service.

  • Prioridad 1: registro de servicios (CMDB). En el ejemplo es SQLite; en producción, Postgres. Guarda el propietario, el ingeniero de guardia, el estado, la versión, la fecha de despliegue y el nivel de SLA. Los datos se consultan en cada petición, así que por construcción no se quedan obsoletos.
  • Prioridad 2: procedimientos de la wiki. Son detallados, pero se quedan anticuados en cuanto nadie los actualiza tras un cambio de guardias. Resultan útiles mientras no contradigan una fuente más reciente.
  • Prioridad 3: PDF. Un documento de SLA y el análisis de un incidente. No contienen hechos precisos, pero sí un relato de lo ocurrido; este nivel sirve como alternativa vectorial de reserva.

El ejemplo incluye un conflicto a propósito: el procedimiento de la wiki para payments señala como responsable de guardia a Jordan Blake, mientras que la base de datos indica a Amara Chen. Toda la arquitectura existe para resolver discrepancias como esta. Otro servicio, notifications-service, aparece marcado en la base como deprecated (en proceso de retirada), un dato que resultará útil más adelante.

Cómo se construye

Los hechos de la base y de la wiki se guardan en un almacén sencillo de «cuádruplas»: sujeto, predicado, objeto y contexto (SPOC). El contexto es la etiqueta de la fuente, «cmdb» o el nombre de la página de la wiki, de modo que cualquier discrepancia se puede rastrear hasta un documento concreto. El autor escribió este almacén desde cero y funciona por búsqueda exhaustiva. La biblioteca original indexa los campos para acelerar las consultas, algo importante con millones de hechos, pero para el catálogo de un solo equipo basta con la búsqueda exhaustiva.

La wiki se analiza con expresiones regulares, línea a línea, buscando patrones como «On-call engineer: …». El autor advierte de que una exportación real de Confluence no tendrá un aspecto tan limpio, por lo que en producción habrá que ampliar los patrones para cada tipo de página o añadir una pasada ligera con un LLM para las páginas con formato atípico.

Para los PDF se usan pdfplumber, que extrae el texto con más fiabilidad que muchas alternativas ligeras, y la base vectorial Chroma. La biblioteca spaCy reconoce entidades con nombre para extraer de la pregunta los nombres de los servicios. El modelo del ejemplo es local: llama3.2 a través de Ollama; pasar a una API en la nube solo cambia la función que envía la petición final.

Qué hacer con todo esto

La lección principal no está en la elección de la base vectorial, sino en la jerarquía de las fuentes. Una fila del registro que actualiza el propio sistema es más fiable que una página de la wiki, y la wiki es más fiable que un párrafo de un PDF antiguo. Además, la etiqueta de fuente de cada hecho permite mostrar al usuario de dónde sale la respuesta.

Conviene leer las cifras con cautela: el estudio de IDC fue patrocinado por Neo4j, un proveedor de bases de datos de grafos. El autor cita también un ejemplo: una empresa de life sciences redujo la proporción de alucinaciones del 20–40% al 2–5%. Es una referencia, no una garantía; el resultado depende de la calidad de sus datos.

Hay también limitaciones. La regla de prioridad en el prompt es solo una instrucción para el modelo, y un modelo local pequeño puede incumplirla. Si el conflicto se puede resolver por código (por ejemplo, no entregar un hecho de la wiki con el mismo predicado cuando existe uno de la CMDB), es más fiable hacerlo así. Las expresiones regulares solo sirven para páginas con plantilla, y el ejemplo didáctico tiene únicamente tres servicios, de modo que la carga y la calidad con un corpus real habrá que comprobarlas por separado. El texto original se interrumpe en este punto, en el paso de los PDF, por lo que aquí no se incluyen los detalles de la construcción del prompt.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Por qué falla la búsqueda vectorial convencional?

La idea procede de un artículo anterior del autor sobre un Graph-RAG determinista de tres niveles. Allí, un RAG puramente vectorial confundía en qué equipo juega ahora un jugador de baloncesto: los nombres de los equipos están cerca en el espacio de embeddings y la búsqueda no sabe cuál de ellos es el actual. La solución son tres niveles de recuperación: un grafo de hechos absolutos, un grafo de estadísticas de contexto y una base vectorial.

¿Qué se sabe sobre Tres fuentes, tres niveles de confianza?

El escenario es didáctico: el equipo de plataforma ficticio Northwind tiene tres servicios: payments-service, checkout-service y notifications-service. Prioridad 1: registro de servicios (CMDB). En el ejemplo es SQLite; en producción, Postgres. Guarda el propietario, el ingeniero de guardia, el estado, la versión, la fecha de despliegue y el nivel de SLA. Los datos se consultan en cada petición, así que por construcción no se quedan obsoletos. Prioridad 2: procedimientos de la wiki.

Cómo se construye?

Los hechos de la base y de la wiki se guardan en un almacén sencillo de «cuádruplas»: sujeto, predicado, objeto y contexto (SPOC). El contexto es la etiqueta de la fuente, «cmdb» o el nombre de la página de la wiki, de modo que cualquier discrepancia se puede rastrear hasta un documento concreto. El autor escribió este almacén desde cero y funciona por búsqueda exhaustiva.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…