¿Qué es GraphRAG?
GraphRAG usa un modelo de lenguaje para extraer entidades y relaciones de tus documentos, construye un grafo de conocimiento, lo agrupa en comunidades y escribe un resumen de cada una. Las consultas pueden apoyarse después en esos resúmenes para responder preguntas amplias, como los temas principales de todo un corpus, que la búsqueda vectorial simple resuelve mal. Desde agosto de 2026 el README dice que el proyecto está en gran medida en modo de mantenimiento: Microsoft corregirá errores, actualizará dependencias y parcheará CVE, pero no aceptará nuevas pull requests ni añadirá funciones.
Ofrece búsqueda global (sobre los resúmenes de comunidades) y búsqueda local (en torno a entidades concretas), entre otros modos. Microsoft Research también ha descrito LazyGraphRAG, una variante más barata que aplaza la mayor parte del trabajo del modelo al momento de la consulta.
Es una biblioteca y una CLI de Python, publicada por Microsoft Research como código de demostración; el README dice que no es un producto de Microsoft con soporte oficial.
¿Merece la pena GraphRAG?
GraphRAG es ya un artefacto de investigación terminado más que una biblioteca en crecimiento. En agosto de 2026 Microsoft añadió al README un aviso según el cual los modelos punteros habían cambiado mucho desde la primera versión, de julio de 2024, y el proyecto recibiría correcciones de errores, actualizaciones de dependencias y parches de CVE, pero no funciones nuevas. Las versiones lo confirman: la v3.3.0, del 8 de octubre de 2026, contenía una única mejora de rendimiento en SQLite. El repositorio tiene unas 36.400 estrellas.
La idea en sí no ha envejecido. La búsqueda global responde a partir de resúmenes de comunidades escritos al indexar, así que una pregunta como "what are the top themes in this story?" se apoya en todo el corpus y no en el puñado de fragmentos que recupera una búsqueda vectorial. El inicio rápido lo muestra con un texto del Project Gutenberg, e indexar ese único libro lleva unos minutos con una clave de OpenAI o Azure.
El coste es lo que frena a la mayoría de los equipos. Tanto el README como la documentación advierten de que indexar es caro y aconsejan empezar en pequeño con modelos baratos, porque cada documento pasa por el modelo para la extracción y el resumen. El artículo de Microsoft Research sobre LazyGraphRAG sitúa el coste de indexación del RAG vectorial en el 0,1% del de GraphRAG completo. Si los documentos cambian, en gran medida hay que reconstruir, y el README advierte de que los resultados sin ajustes pueden decepcionar si no se hace su paso de ajuste de prompts.
Las actualizaciones traen sus propias tareas. Las versiones menores requieren `graphrag init --force`, que sobrescribe tu configuración y tus prompts ajustados, y las mayores necesitan un notebook de migración para evitar volver a indexar. Para un archivo fijo, indexado una vez y consultado durante años, un pipeline que ya no va a cambiar es posiblemente una virtud; para un conjunto de documentos vivo, la indexación más barata de LightRAG es la comparación a la que recurren la mayoría de los análisis de 2026.
Dónde se gana su sitio
Un analista de investigación en un instituto de políticas públicas con un archivo fijo de informes publicados
Encontrar los temas que se repiten en toda la colección
Indexar una vez con un modelo barato, ajustar los prompts y usar la búsqueda global. El coste son los tokens del modelo para una pasada por cada informe; como el archivo no cambia, la costosa reconstrucción no vuelve a llegar.
Una ingeniera de datos en un despacho de abogados que evalúa enfoques de recuperación
Demostrar si un grafo supera a la búsqueda híbrida en preguntas entre documentos antes de pagar por él
Ejecutar el inicio rápido, indexar una pequeña muestra de asuntos y comparar las respuestas con un conjunto de evaluación. Cada documento va al endpoint de OpenAI o Azure configurado, así que se aplica el acuerdo de datos del despacho con ese proveedor.
Un equipo de plataforma de ML dentro de un tenant de Azure
Ofrecer un servicio de búsqueda basado en grafos sin guardar claves de API en disco
Usar la autenticación azure_managed_identity y mantener los resultados en parquet dentro del tenant. Con el proyecto original en modo de mantenimiento, el equipo debe contar con hacerse cargo de cualquier función nueva en un fork.
Antes de decidirte
- Puesta en marcha
- `python -m pip install graphrag` con Python 3.10 a 3.12, `graphrag init`, añadir una clave de OpenAI o Azure y después `graphrag index`; según la documentación, el libro de ejemplo se indexa en unos minutos.
- Integraciones
- CLI y biblioteca de Python; el inicio rápido cubre OpenAI y Azure OpenAI, incluida la identidad gestionada de Azure. El índice se escribe como archivos parquet.
- Datos y privacidad
- Cada documento se envía al endpoint de modelo configurado para la extracción y el resumen; el índice se queda en local o en tu propio almacenamiento. Licencia MIT; no hay avisos de seguridad publicados en GitHub.
- Coste a escala
- Sin edición de pago. La factura son los tokens del modelo para extraer y resumir todo el corpus, que se repite cuando cambian los documentos; Microsoft Research sitúa la indexación del RAG vectorial en el 0,1% de ese coste.
- Límites
- Modo de mantenimiento sin funciones nuevas; Python 3.13 no está soportado; las actualizaciones menores sobrescriben la configuración; los documentos modificados obligan en gran medida a reconstruir.
Lo bueno
- La búsqueda global responde preguntas sobre todo el corpus que el RAG vectorial no capta
- Los resúmenes de comunidades son útiles por sí mismos
- Licencia MIT; funciona contra tu propio tenant de Azure
- Sigue recibiendo correcciones de errores y parches de CVE
Lo malo
- En modo de mantenimiento desde agosto de 2026; sin funciones nuevas
- La indexación pasa todo el corpus por un modelo de lenguaje
- Las actualizaciones menores sobrescriben la configuración y los prompts ajustados
- Los prompts por defecto necesitan ajuste, según el README
Ideal para
Equipos con un conjunto de documentos fijo y valioso en el que las preguntas entre documentos justifican un índice costoso hecho una sola vez.
Alternativas a GraphRAG
GraphRAG: preguntas frecuentes
- ¿Merece la pena GraphRAG?
- Sigue siendo el diseño de referencia para preguntas sobre todo un corpus, pero Microsoft ha dejado de desarrollarlo y la factura de indexación es tan grande como siempre. Le damos un 3.5 sobre 5.
- ¿Cuánto cuesta GraphRAG?
- Gratuito y de código abierto bajo la licencia MIT. La indexación consume tus propios créditos de OpenAI o Azure OpenAI, y el README advierte de que puede salir cara.
- ¿Qué inconvenientes tiene GraphRAG?
- En modo de mantenimiento desde agosto de 2026; sin funciones nuevas; la indexación pasa todo el corpus por un modelo de lenguaje; las actualizaciones menores sobrescriben la configuración y los prompts ajustados; los prompts por defecto necesitan ajuste, según el README.
- ¿Para quién es GraphRAG?
- Equipos con un conjunto de documentos fijo y valioso en el que las preguntas entre documentos justifican un índice costoso hecho una sola vez.
- ¿Cuánto cuesta GraphRAG para un equipo o en producción?
- Sin edición de pago. La factura son los tokens del modelo para extraer y resumir todo el corpus, que se repite cuando cambian los documentos; Microsoft Research sitúa la indexación del RAG vectorial en el 0,1% de ese coste.
- ¿Es GraphRAG seguro para los datos de la empresa?
- Cada documento se envía al endpoint de modelo configurado para la extracción y el resumen; el índice se queda en local o en tu propio almacenamiento. Licencia MIT; no hay avisos de seguridad publicados en GitHub.
- ¿Cuáles son las mejores alternativas a GraphRAG?
- Las alternativas más cercanas que hemos analizado son LlamaIndex, RAGFlow y Haystack.
Respuestas comprobadas el 26 oct 2026.