Graph-RAG : la base de données prime sur le wiki et les PDF — 44% d'hallucinations en moins en moyenne
À 11 heures du soir, un assistant désigne l'astreinte du service de paiement à partir d'un wiki qui n'a pas été modifié depuis quatre mois, alors que la base de données indique déjà une autre personne. Le Graph-RAG, c'est une recherche où les faits issus de la base, du wiki et des PDF sont classés par niveau de confiance, et où la règle « en cas de désaccord, croire la base » est inscrite dans le prompt. Selon une estimation d'IDC réalisée pour Neo4j, le contexte graphe réduit les hallucinations de 44% en moyenne. Conclusion pratique : donnez à chaque source une priorité et une étiquette d'origine.
Traité par IA depuis Machine Learning Mastery ; édité par Hamidun News
Imaginez un ingénieur qui demande à 11 heures du soir à l'assistant IA interne qui est d'astreinte sur le service de paiement. L'assistant a lu le wiki, indexé tous les PDF du disque partagé et il est connecté au registre des services. La question est triviale, mais le wiki n'a pas été modifié depuis quatre mois, le planning d'astreinte a changé deux fois depuis, et la réponse à jour tient dans une seule ligne de la base de données.
Si la recherche traite toutes les sources comme un texte également fiable, l'assistant peut citer une personne sortie de la rotation depuis longtemps. C'est le problème que résout le Graph-RAG : on appelle ainsi un RAG (recherche dans des documents, avec injection des passages trouvés dans le prompt du modèle) où les faits sont stockés sous forme de relations et répartis en niveaux de confiance. Shittu Olumide, auteur de l'analyse publiée sur Machine Learning Mastery, cite aussi une estimation : d'après une étude d'IDC sponsorisée par Neo4j, les organisations qui s'appuient sur un contexte graphe réduisent en moyenne de 44% leur taux d'hallucinations (réponses inventées).
Concrètement, en cas de désaccord entre les sources, l'assistant doit croire la base, pas le wiki.
Pourquoi la recherche vectorielle classique se trompe
L'idée vient d'un article précédent du même auteur, consacré à un Graph-RAG déterministe à trois niveaux. Dans cet article, un RAG purement vectoriel confondait l'équipe actuelle d'un basketteur : les noms d'équipes sont proches dans l'espace des embeddings, et la recherche ne sait pas lequel est d'actualité. Le remède tient en trois niveaux de recherche : un graphe de faits absolus, un graphe de statistiques de fond et une base vectorielle. Leurs résultats sont fusionnés en une seule réponse selon des règles de priorité explicites, écrites directement dans le prompt et non intégrées à un algorithme de routage.
Trois sources, trois niveaux de confiance
Le scénario est pédagogique : l'équipe plateforme fictive Northwind gère trois services — payments-service, checkout-service et notifications-service.
- Priorité 1 — le registre des services (CMDB). Dans l'exemple, c'est SQLite ; en production, ce serait Postgres. Il contient le propriétaire, l'ingénieur d'astreinte, le statut, la version, la date de déploiement et le niveau de SLA. Les données sont interrogées à chaque requête : elles ne deviennent donc pas obsolètes par construction.
- Priorité 2 — les procédures du wiki. Détaillées, mais elles deviennent obsolètes dès que personne ne les met à jour après un changement d'astreinte. Elles sont utiles tant qu'elles ne contredisent pas une source plus récente.
- Priorité 3 — les PDF. Un document de SLA et un compte rendu d'incident. Ils ne contiennent pas de faits nets, mais racontent ce qui s'est passé : ce niveau sert de solution de repli vectorielle.
L'exemple contient un conflit volontaire : la procédure wiki de payments désigne Jordan Blake comme personne d'astreinte, alors que la base indique Amara Chen. Toute l'architecture existe pour ce genre de divergence. Un autre service, notifications-service, est marqué dans la base comme « deprecated » (en cours de retrait) — cela servira plus loin.
Comment l'assembler
Les faits de la base et du wiki sont stockés dans un magasin simple de « quadruplets » : sujet, prédicat, objet et contexte (SPOC). Le contexte est l'étiquette de la source : « cmdb » ou le nom de la page wiki, ce qui permet de remonter toute divergence jusqu'au document concerné. L'auteur a écrit ce magasin de zéro, et il fonctionne par parcours exhaustif. La bibliothèque d'origine indexe les champs pour accélérer la recherche, ce qui compte sur des millions de faits, mais pour le catalogue d'une seule équipe, le parcours exhaustif suffit.
Le wiki est analysé par expressions régulières, ligne par ligne, sur des formats du type « On-call engineer: … ». L'auteur prévient : un export réel de Confluence ne sera pas aussi propre. En production, il faudra donc étendre les modèles à chaque type de page, ou ajouter un passage léger par un LLM pour les pages de format atypique.
Pour les PDF, l'exemple utilise pdfplumber, qui extrait le texte de façon plus fiable que bien des alternatives légères, et la base vectorielle Chroma. La bibliothèque spaCy reconnaît les entités nommées afin d'extraire de la question les noms des services. Le modèle de l'exemple est local — llama3.2 via Ollama ; passer à une API cloud ne change que la fonction qui envoie la requête finale.
Ce qu'il faut en retenir
La leçon principale ne porte pas sur le choix de la base vectorielle, mais sur le classement des sources. Une ligne du registre, mise à jour par un système, est plus fiable qu'une page de wiki, et le wiki est plus fiable qu'un paragraphe d'un vieux PDF. L'étiquette de source attachée à chaque fait permet en outre de montrer à l'utilisateur d'où vient la réponse.
Il faut lire les chiffres avec prudence : l'étude d'IDC a été sponsorisée par Neo4j, éditeur de bases de données graphes. L'auteur cite aussi un exemple : une entreprise de life sciences a ramené son taux d'hallucinations de 20–40% à 2–5%. C'est un ordre de grandeur, pas une garantie : le résultat dépend de la qualité de vos données.
Il y a aussi des limites. La règle de priorité dans le prompt n'est qu'une instruction donnée au modèle, et un petit modèle local peut ne pas la respecter. Si le conflit peut être tranché par du code (par exemple, ne pas renvoyer un fait du wiki pour le même prédicat quand un fait de la CMDB existe), c'est plus fiable. Les expressions régulières ne conviennent qu'aux pages standardisées, et l'exemple pédagogique ne compte que trois services : la charge et la qualité sur un corpus réel devront être vérifiées séparément. Le texte source s'interrompt ici, à l'étape des PDF ; les détails de construction du prompt ne sont donc pas présentés.
- 3 juil. 2026GitLab Orbit arrive dans Google Antigravity : les agents d'IA accèdent au contexte de tout le projet
- 30 avr. 2026Krok présente l'assistant RAG interne qu'elle a construit pour ses données d'entreprise
- 12 nov. 2026Un agent n8n écrit des cas de test : il récupère le cas d’usage dans Pachka et les exigences dans Yandex Wiki
- 17 juil. 2026Memory OS : une pile mémoire open source à six couches pour Hermes Agent
Questions clés sur cet article
Pourquoi la recherche vectorielle classique se trompe?
L'idée vient d'un article précédent du même auteur, consacré à un Graph-RAG déterministe à trois niveaux. Dans cet article, un RAG purement vectoriel confondait l'équipe actuelle d'un basketteur : les noms d'équipes sont proches dans l'espace des embeddings, et la recherche ne sait pas lequel est d'actualité. Le remède tient en trois niveaux de recherche : un graphe de faits absolus, un graphe de statistiques de fond et une base vectorielle.
Que sait-on sur Trois sources, trois niveaux de confiance ?
Le scénario est pédagogique : l'équipe plateforme fictive Northwind gère trois services — payments-service, checkout-service et notifications-service. Priorité 1 — le registre des services (CMDB). Dans l'exemple, c'est SQLite ; en production, ce serait Postgres. Il contient le propriétaire, l'ingénieur d'astreinte, le statut, la version, la date de déploiement et le niveau de SLA. Les données sont interrogées à chaque requête : elles ne deviennent donc pas obsolètes par construction.
Comment l'assembler?
Les faits de la base et du wiki sont stockés dans un magasin simple de « quadruplets » : sujet, prédicat, objet et contexte (SPOC). Le contexte est l'étiquette de la source : « cmdb » ou le nom de la page wiki, ce qui permet de remonter toute divergence jusqu'au document concerné. L'auteur a écrit ce magasin de zéro, et il fonctionne par parcours exhaustif.
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.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.