Qu’est-ce que GraphRAG ?
GraphRAG utilise un modèle de langage pour extraire les entités et les relations de vos documents, construit un graphe de connaissances, le groupe en communautés et écrit un résumé de chacune. Les requêtes peuvent ensuite puiser dans ces résumés pour répondre à des questions larges, comme les thèmes principaux à travers tout un corpus, que la recherche vectorielle simple gère mal. Depuis août 2026, le README dit que le projet est largement en mode maintenance : Microsoft corrigera les bugs, mettra à jour les dépendances et patchera les CVE, mais n'acceptera pas de nouvelles pull requests ni n'ajoutera de fonctions.
Il offre la recherche globale (sur les résumés de communautés) et la recherche locale (autour d'entités spécifiques), parmi d'autres modes. Microsoft Research a aussi décrit LazyGraphRAG, une variante moins chère qui reporte l'essentiel du travail de modèle au moment de la requête.
C'est une bibliothèque Python et un CLI, publié par Microsoft Research comme code de démonstration ; le README dit que ce n'est pas une offre Microsoft officiellement prise en charge.
GraphRAG vaut-il le coup ?
GraphRAG est désormais un artefact de recherche terminé plutôt qu'une bibliothèque en croissance. En août 2026, Microsoft a ajouté un avis au README disant que les modèles de pointe avaient fortement changé depuis la première version de juillet 2024 et que le projet recevrait des corrections de bugs, des mises à jour de dépendances et des patchs CVE mais aucune nouvelle fonction. Les versions le confirment : v3.3.0, le 8 octobre 2026, contenait un unique correctif de performance SQLite. Le dépôt a environ 36 400 étoiles.
L'idée elle-même n'a pas vieilli. La recherche globale répond à partir de résumés de communautés écrits au moment de l'indexation, si bien qu'une question comme « quels sont les thèmes principaux de cette histoire ? » puise dans tout le corpus au lieu de la poignée de morceaux qu'une recherche vectorielle récupère. Le démarrage rapide le montre sur un texte de Project Gutenberg, et indexer ce seul livre prend quelques minutes avec une clé OpenAI ou Azure.
Le coût est la raison pour laquelle la plupart des équipes s'arrêtent. Le README et la documentation avertissent tous deux que l'indexation est coûteuse et conseillent de commencer petit avec des modèles bon marché, car chaque document passe par le modèle pour l'extraction et le résumé. Le billet LazyGraphRAG de Microsoft Research place l'indexation RAG vectorielle à 0,1 % du coût de GraphRAG complet. Les documents changés signifient largement une reconstruction, et le README avertit que les résultats prêts à l'emploi peuvent décevoir sans son étape de réglage de prompts.
Les mises à niveau portent leurs propres corvées. Les versions mineures exigent `graphrag init --force`, qui écrase votre configuration et vos prompts réglés, et les versions majeures ont besoin d'un notebook de migration pour éviter de réindexer. Pour une archive fixe indexée une fois et interrogée pendant des années, un pipeline qui ne changera plus est sans doute une vertu ; pour un jeu de documents vivant, l'indexation moins chère de LightRAG est la comparaison vers laquelle la plupart des articles de 2026 se tournent.
Là où il fait la différence
Un analyste de recherche dans un institut de politiques avec une archive fixe de rapports publiés
Trouver les thèmes qui reviennent à travers toute la collection
Indexez une fois avec un modèle peu coûteux, réglez les prompts, puis utilisez la recherche globale. Le coût est les tokens de modèle pour une passe sur chaque rapport ; comme l'archive ne change pas, la reconstruction coûteuse ne revient jamais.
Un ingénieur données dans un cabinet d'avocats qui évalue les approches de récupération
Prouver si un graphe bat la recherche hybride sur les questions inter-documents avant de payer pour cela
Lancez le démarrage rapide, puis indexez un petit échantillon de dossiers et comparez les réponses contre un ensemble d'évaluation. Chaque document va au endpoint OpenAI ou Azure configuré, si bien que l'accord de données du cabinet avec ce fournisseur s'applique.
Une équipe plateforme ML à l'intérieur d'un locataire Azure
Offrir un service de recherche basé sur un graphe sans stocker de clés d'API sur disque
Utilisez l'authentification azure_managed_identity et gardez les sorties parquet dans le locataire. Avec l'amont en mode maintenance, l'équipe devrait s'attendre à posséder tout travail de fonction dans un fork.
Avant de vous engager
- Mise en route
- `python -m pip install graphrag` sur Python 3.10 à 3.12, `graphrag init`, ajoutez une clé OpenAI ou Azure, puis `graphrag index` ; le livre d'exemple s'indexe en quelques minutes, selon la documentation.
- Intégrations
- CLI et bibliothèque Python ; le démarrage rapide couvre OpenAI et Azure OpenAI, y compris l'identité managée Azure. L'index est écrit en fichiers parquet.
- Données et confidentialité
- Chaque document est envoyé au endpoint de modèle configuré pour l'extraction et le résumé ; l'index reste sur votre stockage local ou le vôtre. Licence MIT ; pas d'avis de sécurité publiés sur GitHub.
- Coût à grande échelle
- Pas d'édition payante. La facture est les tokens de modèle pour extraire et résumer tout le corpus, répétée quand les documents changent ; Microsoft Research place l'indexation RAG vectorielle à 0,1 % de ce coût.
- Limites
- Mode maintenance sans nouvelles fonctions ; Python 3.13 n'est pas pris en charge ; les mises à niveau mineures écrasent la configuration ; les documents changés forcent largement une reconstruction.
Les points forts
- La recherche globale répond aux questions sur tout un corpus que le RAG vectoriel manque
- Les résumés de communautés sont des sorties utiles en soi
- Licence MIT ; tourne contre votre propre locataire Azure
- Reçoit encore des corrections de bugs et des patchs CVE
Les points faibles
- En mode maintenance depuis août 2026 ; pas de nouvelles fonctions
- L'indexation envoie tout le corpus à travers un modèle de langage
- Les mises à niveau mineures écrasent la config et les prompts réglés
- Les prompts par défaut ont besoin de réglage, selon le README
Idéal pour
Les équipes avec un jeu de documents fixe et de grande valeur où les questions inter-documents justifient un index coûteux unique.
Alternatives à GraphRAG
GraphRAG : questions fréquentes
- GraphRAG vaut-il le coup ?
- Toujours la conception de référence pour les questions sur tout un corpus, mais Microsoft a cessé de le développer et la facture d'indexation est aussi élevée que jamais. Nous lui donnons 3.5 sur 5.
- Combien coûte GraphRAG ?
- Gratuit et open source sous la licence MIT. L'indexation tourne sur vos propres crédits OpenAI ou Azure OpenAI, qui peuvent être coûteux selon le README.
- Quels sont les inconvénients de GraphRAG ?
- En mode maintenance depuis août 2026 ; pas de nouvelles fonctions; l'indexation envoie tout le corpus à travers un modèle de langage; les mises à niveau mineures écrasent la config et les prompts réglés; les prompts par défaut ont besoin de réglage, selon le README.
- À qui s’adresse GraphRAG ?
- Les équipes avec un jeu de documents fixe et de grande valeur où les questions inter-documents justifient un index coûteux unique.
- Combien coûte GraphRAG pour une équipe ou en production ?
- Pas d'édition payante. La facture est les tokens de modèle pour extraire et résumer tout le corpus, répétée quand les documents changent ; Microsoft Research place l'indexation RAG vectorielle à 0,1 % de ce coût.
- GraphRAG est-il sûr pour les données de l’entreprise ?
- Chaque document est envoyé au endpoint de modèle configuré pour l'extraction et le résumé ; l'index reste sur votre stockage local ou le vôtre. Licence MIT ; pas d'avis de sécurité publiés sur GitHub.
- Quelles sont les meilleures alternatives à GraphRAG ?
- Les alternatives les plus proches que nous avons testées sont LlamaIndex, RAGFlow et Haystack.
Réponses vérifiées le 26 oct. 2026.