GraphRAG

GraphRAG (Génération Augmentée par Récupération Graphe) étend la RAG standard en extrayant d'abord un graphe de connaissances du corpus source. Les nœuds représentent les entités—personnes, organisations, concepts, événements—et les arêtes représentent les relations nommées entre elles. Au moment de la requête, le système traverse cette structure graphique pour récupérer les sous-graphes connectés pertinents, plutôt que de s'appuyer uniquement sur la similarité des plongements pour trouver des chunks de texte indépendants. Cette conscience structurelle permet au système de suivre les chaînes de relations et d'agréger les informations distribuées sur de nombreux documents source.

Le pipeline GraphRAG fonctionne en deux phases. Pendant l'indexation, un LLM traite tous les documents source pour extraire les entités nommées et les relations, les stockant sous forme de graphe, souvent dans une base de données graphique telle que Neo4j ou dans des structures en mémoire. Les algorithmes de détection de communautés tels que le clustering Leiden regroupent les nœuds associés en communautés thématiques, et les résumés générés par LLM sont produits pour chaque communauté. Pendant l'interrogation, le système exécute soit des requêtes locales—trouvant les nœuds d'entité étroitement connectés via la similarité vectorielle—soit des requêtes globales—agrégeant les résumés communautaires pour répondre aux questions thématiques larges couvrant tout le corpus. Les sous-graphes ou résumés récupérés sont transmis comme contexte à un LLM pour la génération de réponse finale.

La RAG vectorielle dense standard gère efficacement les requêtes de recherche mais peine avec les questions nécessitant une synthèse entre de nombreux documents ou un raisonnement relationnel multi-sauts—identifier les relations commerciales indirectes, retracer la provenance d'une affirmation dans des dizaines de sources, ou résumer un thème qui émerge uniquement de la lecture de nombreux documents ensemble. GraphRAG gère ces requêtes holistiques et relationnelles considérablement mieux. Le principal compromis est le coût d'indexation plus élevé, car l'extraction d'entités basée sur LLM doit traiter l'ensemble du corpus en amont, et les frais généraux continus du stockage graphique.

Microsoft a publié le cadre GraphRAG en open-source en juillet 2024, accompagné de recherches montrant des améliorations substantielles par rapport à la RAG naïve sur les tests de réponse à des questions complexes au niveau du corpus. Depuis 2026, les principes de GraphRAG ont été intégrés dans les produits de gestion des connaissances d'entreprise et les plates-formes d'intelligence documentaire de plusieurs fournisseurs. Les architectures hybrides combinant la récupération vectorielle dense pour les simples requêtes de recherche avec la traversée graphique pour les requêtes relationnelles émergent comme la norme pratique pour les grandes bases de connaissances d'entreprise.

Exemple

“Un cabinet de recherche en investissement construit un système GraphRAG sur dix ans de transcriptions d'appels de résultats et de documents SEC ; les analystes demandent quels cadres dirigeants dans les portefeuilles d'entreprises ont à plusieurs reprises cité le risque de la chaîne d'approvisionnement, et le système traverse les relations d'entités pour compiler un résumé multi-sociétés sourcé en quelques secondes.