La búsqueda vectorial encuentra pasajes cercanos a una pregunta. Funciona bien para información local contenida en un documento. Se vuelve menos natural cuando es necesario relacionar varias entidades, recorrer dependencias o producir una visión general de un corpus. Los enfoques GraphRAG proponen extraer o utilizar un grafo de conocimiento para representar estas relaciones.
Un gráfico no es automáticamente superior. Su construcción, actualización y evaluación pueden costar más que el índice vectorial. La decisión debe partir de las preguntas y de la estructura de los datos.
Tres arquitecturas a distinguir
RAG vectorial
Los documentos se cortan, se transforman en embeddings y luego se buscan por proximidad. El enfoque es rápido de prototipar y adecuado para las paráfrasis.
Búsqueda híbrida
El sistema combina texto completo, vectores, filtros y reordenamiento. Maneja mejor referencias exactas, metadatos y vocabulario variado.
GraphRAG
El pipeline identifica entidades y relaciones, construye comunidades o resúmenes y utiliza el grafo para recuperar un contexto local o global. El término abarca varias técnicas y no debe reducirse a un único producto.
Cuestiones locales y cuestiones relacionales
Una pregunta local pregunta: «¿cuál es la duración del preaviso indicada en este contrato?». Basta un buen pasaje.
Una cuestión relacional pregunta: «¿qué filiales dependen de los proveedores afectados por este incidente y qué contratos están por vencer?». Cruza varias entidades y relaciones.
Una cuestión global plantea: «¿qué temas y riesgos estructuran el conjunto de los comentarios de los clientes del año?». Requiere una síntesis del corpus, difícil de obtener con algunos fragmentos aislados.
El grafo de conocimientos existente
Cuando la empresa ya posee identificadores, relaciones y reglas en una base de negocio, a menudo es preferible utilizar este gráfico explícito en lugar de volver a extraerlo mediante un LLM.
El gráfico puede representar:
- organizaciones ;
- personas y roles;
- productos ;
- contratos ;
- documentos ;
- eventos;
- dependencias;
- versiones.
Los pasajes documentales están vinculados a las entidades. La respuesta combina consultas estructuradas y búsqueda de texto.
El GraphRAG extrae
En un corpus no estructurado, un pipeline puede detectar entidades, relaciones, afirmaciones y comunidades. Los resúmenes jerárquicos permiten responder a preguntas globales.
Esta extracción es probabilística. Puede fusionar dos entidades, inventar una relación o perder un matiz. Cada nodo y arista debe conservar la procedencia, la confianza y la versión.
El gráfico extraído no es automáticamente una fuente de verdad empresarial.
Los criterios que hacen útil el gráfico
Relaciones esenciales
La respuesta depende del camino entre varios objetos, no solo de un paso similar.
Identidades estables
Las entidades pueden ser resueltas y distinguidas a pesar de las variantes de nombre.
Preguntas de múltiples saltos
Los usuarios hacen regularmente preguntas que requieren varios pasos.
Visión global
Los resúmenes de temas, comunidades o dependencias tienen un valor real.
Explicabilidad
Mostrar la ruta de relaciones ayuda a validar la respuesta.
Coste aceptable
La indexación, la actualización y la gobernanza son proporcionales al valor.
Mapeo que vincula tipos de preguntas a arquitecturas RAG basadas en vectores, híbridas y gráficas.
Los costos ocultos
Resolución de entidades
« Partitech », « partITech » y una razón social pueden representar la misma entidad. Dos personas homónimas no deben fusionarse. La resolución exige reglas, modelos y a veces validación humana.
Extracción de relaciones
Una frase puede expresar una relación temporal, hipotética o negativa. El gráfico debe conservar el contexto, la fecha y la fuente.
Construcción de comunidad
Los algoritmos producen grupos según parámetros. Los resúmenes deben actualizarse cuando el corpus cambia.
Almacenamiento y cálculo
El pipeline puede multiplicar las llamadas a modelos, embeddings y operaciones de grafo. El costo inicial es superior al de una indexación simple.
Mantenimiento
Eliminar o corregir un documento debe invalidar las entidades, relaciones y resúmenes derivados.
Arquitectura híbrida de gráfico + vectores
El gráfico no excluye los vectores. Una cadena puede:
- identificar las entidades de la pregunta;
- recorrer las relaciones autorizadas;
- recuperar los documentos asociados;
- buscar los pasajes pertinentes;
- reclasificador ;
- generar con citas y ruta.
Por el contrario, una búsqueda vectorial puede encontrar un pasaje y luego usar sus entidades para ampliar el contexto.
Modelar la procedencia
Cada afirmación debe apuntar a uno o varios pasajes. Las relaciones extraídas conservan:
- fuente ;
- ubicación ;
- versión ;
- fecha ;
- método de extracción;
- confianza;
- estado de validación.
La respuesta distingue una relación de negocio confirmada de una relación inferida.
Aplicar los derechos
Un gráfico puede revelar relaciones sensibles incluso sin mostrar el documento. Los permisos deben aplicarse a los nodos, aristas, propiedades y pasajes.
Los resúmenes de comunidades son particularmente delicados: agregan fuentes que pueden tener diferentes derechos. Deben generarse por perímetro o filtrarse con una estrategia comprobada.
Actualización incremental
Un pipeline de producción debe procesar la adición, modificación, eliminación y fusión de entidades. Una reconstrucción completa puede ser costosa. Se siguen las dependencias entre fuente, relación, comunidad y resumen.
La frescura se mide. Un gráfico antiguo puede producir una respuesta coherente pero falsa.
Evaluar según los tipos de preguntas
El juego de evaluación separa:
- cuestiones locales;
- referencias exactas;
- multi-salto ;
- globales ;
- temporales ;
- negativas;
- ambiguas.
Comparar las arquitecturas en calidad, citas, costo, latencia y facilidad de actualización. Un GraphRAG puede mejorar las preguntas globales mientras que es inútil para las búsquedas simples.
Explicar el camino
Para una cuestión relacional, la interfaz puede mostrar las entidades y relaciones utilizadas, con acceso a las fuentes. Esta explicación debe seguir siendo legible y no exponer datos prohibidos.
El camino no es una prueba suficiente si las relaciones se infieren. El estatus y la procedencia son visibles.
Comenzar con una línea de base fuerte
Antes de construir un grafo, mejorar metadatos, texto completo, vectores y reordenamiento. Medir las preguntas que siguen fallando. Si comparten una necesidad relacional o global, un prototipo de grafo se vuelve justificado.
Un subconjunto reducido permite estimar el costo de extracción, la calidad de las entidades y la ganancia real.
Elegir la estructura proporcionada
Un gráfico de negocio explícito es poderoso cuando las relaciones ya son conocidas. Un GraphRAG extraído es útil para explorar un corpus complejo, siempre que se conserve la procedencia y se midan sus errores. Una búsqueda híbrida sigue siendo a menudo la mejor base.
Partitech puede construir la línea base, integrar pgvector, modelar un grafo y comparar los resultados en un conjunto de evaluación. El objetivo es usar la estructura que responde a las preguntas, no añadir un grafo por su efecto de novedad.
Hablemos de su proyecto
Prototipar y comparar las arquitecturas de conocimiento con Partitech. Contacte a Partitech.