GraphRAG
GraphRAG es un enfoque de recuperación en el que un LLM construye primero un grafo de conocimiento a partir de una colección de documentos y escribe resúmenes de grupos de entidades relacionadas, y después responde preguntas usando esos resúmenes y los enlaces del grafo.
También llamado: graph RAG
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
La generación aumentada por recuperación estándar recupera unos pocos pasajes parecidos a la pregunta. Eso funciona para "¿cuál es nuestro plazo de reembolso?", pero falla con "¿cuáles son los temas principales de estas miles de entrevistas?", porque ningún pasaje contiene por sí solo la respuesta. Investigadores de Microsoft propusieron GraphRAG en 2024 para abordar estas preguntas sobre el corpus completo.
Cómo funciona
La indexación tiene dos fases. Un LLM lee cada fragmento y extrae entidades y relaciones, con lo que construye un grafo de conocimiento. Después, el grafo se divide en comunidades de entidades muy conectadas, y el LLM escribe un resumen de cada una. Para responder una pregunta global, cada resumen de comunidad relevante produce una respuesta parcial, y estas se combinan en una respuesta final. Para preguntas acotadas, un modo local parte de las entidades que coinciden y sigue a sus vecinas.
La técnica y el repositorio
"GraphRAG" da nombre tanto al método como a la implementación de código abierto de Microsoft, analizada en GraphRAG. Proyectos relacionados como LightRAG usan ideas parecidas con un paso de indexación más ligero.
Ventajas e inconvenientes
La indexación es cara porque un LLM procesa todo el corpus, a menudo más de una vez, y el grafo hay que reconstruirlo o actualizarlo cuando cambian los documentos. La calidad de la extracción limita la calidad de las respuestas. Para consultas sencillas, un RAG normal con búsqueda híbrida es más barato y suele ser igual de bueno. La guía de grafos de conocimiento trata las herramientas.
Términos relacionados
- Grafo de conocimiento
- Un grafo de conocimiento (knowledge graph) guarda la información como entidades (personas, productos, lugares, conceptos) conectadas por relaciones con nombre, para que el software pueda seguir los enlaces entre datos en lugar de buscar en texto suelto.
- Generación aumentada por recuperación
- La generación aumentada por recuperación (RAG, retrieval-augmented generation) es un patrón en el que un sistema busca primero en una colección de documentos los pasajes relevantes para una pregunta y luego se los da a un modelo de lenguaje para que su respuesta se base en ellos.
- RAG agéntico
- El RAG agéntico es una generación aumentada por recuperación dirigida por un agente de IA que decide cuándo buscar, qué buscar y qué fuente usar, y puede volver a buscar si los primeros resultados se quedan cortos.
- Búsqueda híbrida
- La búsqueda híbrida (hybrid search) ejecuta una búsqueda por palabras clave y una búsqueda vectorial con la misma consulta y fusiona las dos listas ordenadas, para que los resultados coincidan tanto en las palabras exactas como en el significado.
- Chunking
- El chunking (fragmentación) es el paso que divide documentos largos en pasajes más pequeños antes de convertirlos en embeddings e indexarlos, para que un sistema de recuperación pueda encontrar y devolver solo las partes de un documento que responden a una consulta.