La recherche vectorielle retrouve des passages proches d’une question. Elle fonctionne bien pour une information locale contenue dans un document. Elle devient moins naturelle lorsqu’il faut relier plusieurs entités, parcourir des dépendances ou produire une vue d’ensemble d’un corpus. Les approches GraphRAG proposent d’extraire ou d’utiliser un graphe de connaissances pour représenter ces relations.
Un graphe n’est pas automatiquement supérieur. Sa construction, sa mise à jour et son évaluation peuvent coûter davantage que l’index vectoriel. La décision doit partir des questions et de la structure des données.
Trois architectures à distinguer
RAG vectoriel
Les documents sont découpés, transformés en embeddings puis recherchés par proximité. L’approche est rapide à prototyper et adaptée aux paraphrases.
Recherche hybride
Le système combine plein texte, vecteurs, filtres et reranking. Il gère mieux références exactes, métadonnées et vocabulaire varié.
GraphRAG
Le pipeline identifie entités et relations, construit des communautés ou résumés et utilise le graphe pour récupérer un contexte local ou global. Le terme recouvre plusieurs techniques et ne doit pas être réduit à un produit unique.
Questions locales et questions relationnelles
Une question locale demande : « quelle est la durée de préavis indiquée dans ce contrat ? ». Un bon passage suffit.
Une question relationnelle demande : « quelles filiales dépendent des fournisseurs touchés par cet incident et quels contrats arrivent à échéance ? ». Elle traverse plusieurs entités et relations.
Une question globale demande : « quels thèmes et risques structurent l’ensemble des retours clients de l’année ? ». Elle nécessite une synthèse du corpus, difficile à obtenir par quelques passages isolés.
Le graphe de connaissances existant
Lorsque l’entreprise possède déjà des identifiants, relations et règles dans une base métier, il est souvent préférable d’utiliser ce graphe explicite plutôt que de le réextraire par LLM.
Le graphe peut représenter :
- organisations ;
- personnes et rôles ;
- produits ;
- contrats ;
- documents ;
- événements ;
- dépendances ;
- versions.
Les passages documentaires sont reliés aux entités. La réponse combine requêtes structurées et recherche de texte.
Le GraphRAG extrait
Sur un corpus non structuré, un pipeline peut détecter des entités, relations, affirmations et communautés. Des résumés hiérarchiques permettent de répondre à des questions globales.
Cette extraction est probabiliste. Elle peut fusionner deux entités, inventer une relation ou manquer une nuance. Chaque nœud et arête doit conserver la provenance, la confiance et la version.
Le graphe extrait n’est pas automatiquement une source de vérité métier.
Les critères qui rendent le graphe utile
Relations essentielles
La réponse dépend du chemin entre plusieurs objets, pas seulement d’un passage similaire.
Identités stables
Les entités peuvent être résolues et distinguées malgré les variantes de nom.
Questions multi-hop
Les utilisateurs posent régulièrement des questions nécessitant plusieurs étapes.
Vision globale
Les synthèses de thèmes, communautés ou dépendances ont une valeur réelle.
Explicabilité
Afficher le chemin de relations aide à valider la réponse.
Coût acceptable
L’indexation, la mise à jour et la gouvernance sont proportionnées à la valeur.
Outil local de cadrage
Atelier de cadrage
Structurez les décisions principales avant de lancer un atelier métier. Les réponses restent dans votre navigateur.
Carte reliant les types de questions aux architectures RAG vectorielle, hybride et fondée sur un graphe.
Les coûts cachés
Résolution d’entités
« Partitech », « partITech » et une raison sociale peuvent représenter la même entité. Deux personnes homonymes ne doivent pas être fusionnées. La résolution exige règles, modèles et parfois validation humaine.
Extraction des relations
Une phrase peut exprimer une relation temporaire, hypothétique ou négative. Le graphe doit conserver le contexte, la date et la source.
Construction de communautés
Les algorithmes produisent des groupes selon des paramètres. Les résumés doivent être mis à jour lorsque le corpus change.
Stockage et calcul
Le pipeline peut multiplier les appels de modèles, embeddings et opérations de graphe. Le coût initial est supérieur à une indexation simple.
Maintenance
Supprimer ou corriger un document doit invalider les entités, relations et résumés dérivés.
Architecture hybride graphe + vecteurs
Le graphe n’exclut pas les vecteurs. Une chaîne peut :
- identifier les entités de la question ;
- parcourir les relations autorisées ;
- récupérer les documents associés ;
- chercher les passages pertinents ;
- reranker ;
- générer avec citations et chemin.
À l’inverse, une recherche vectorielle peut trouver un passage puis utiliser ses entités pour élargir le contexte.
Modéliser la provenance
Chaque affirmation doit pointer vers un ou plusieurs passages. Les relations extraites conservent :
- source ;
- emplacement ;
- version ;
- date ;
- méthode d’extraction ;
- confiance ;
- statut de validation.
La réponse distingue une relation métier confirmée d’une relation inférée.
Appliquer les droits
Un graphe peut révéler des relations sensibles même sans afficher le document. Les permissions doivent s’appliquer aux nœuds, arêtes, propriétés et passages.
Les résumés de communautés sont particulièrement délicats : ils agrègent des sources qui peuvent avoir des droits différents. Ils doivent être générés par périmètre ou filtrés avec une stratégie prouvée.
Mise à jour incrémentale
Un pipeline de production doit traiter ajout, modification, suppression et fusion d’entités. Une reconstruction complète peut être coûteuse. Les dépendances entre source, relation, communauté et résumé sont suivies.
La fraîcheur est mesurée. Un graphe ancien peut produire une réponse cohérente mais fausse.
Évaluer selon les types de questions
Le jeu d’évaluation sépare :
- questions locales ;
- références exactes ;
- multi-hop ;
- globales ;
- temporelles ;
- négatives ;
- ambiguës.
Comparer les architectures sur qualité, citations, coût, latence et facilité de mise à jour. Un GraphRAG peut améliorer les questions globales tout en étant inutile pour les recherches simples.
Expliquer le chemin
Pour une question relationnelle, l’interface peut afficher les entités et relations utilisées, avec accès aux sources. Cette explication doit rester lisible et ne pas exposer des données interdites.
Le chemin n’est pas une preuve suffisante si les relations sont inférées. Le statut et la provenance sont visibles.
Commencer par une baseline forte
Avant de construire un graphe, améliorer métadonnées, plein texte, vecteurs et reranking. Mesurer les questions qui restent en échec. Si elles partagent un besoin relationnel ou global, un prototype graphe devient justifié.
Un sous-corpus réduit permet d’estimer le coût d’extraction, la qualité des entités et le gain réel.
Choisir la structure proportionnée
Un graphe métier explicite est puissant lorsque les relations sont déjà connues. Un GraphRAG extrait est utile pour explorer un corpus complexe, à condition de conserver la provenance et de mesurer ses erreurs. Une recherche hybride reste souvent la meilleure fondation.
Partitech peut construire la baseline, intégrer pgvector, modéliser un graphe et comparer les résultats sur un jeu d’évaluation. L’objectif est d’utiliser la structure qui répond aux questions, pas d’ajouter un graphe pour son effet de nouveauté.
Parlons de votre projet
Prototyper et comparer les architectures de connaissance avec Partitech. Contactez Partitech.