Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

GraphRAG

GraphRAG est une approche de récupération dans laquelle un LLM construit d'abord un graphe de connaissances à partir d'une collection de documents et rédige des résumés de groupes d'entités liées, puis répond aux questions à l'aide de ces résumés et des liens du graphe.

Aussi appelé : graph RAG

Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode

La génération augmentée par récupération classique récupère quelques passages proches de la question. Cela fonctionne pour « quel est notre délai de remboursement ? » mais échoue pour « quels sont les grands thèmes de ces milliers d'entretiens ? », car aucun passage ne contient à lui seul la réponse. GraphRAG a été proposé par des chercheurs de Microsoft en 2024 pour traiter ces questions portant sur l'ensemble du corpus.

Comment ça marche

L'indexation se fait en deux étapes. Un LLM lit chaque fragment et en extrait des entités et des relations, ce qui construit un graphe de connaissances. Le graphe est ensuite divisé en communautés d'entités étroitement liées, et le LLM rédige un résumé pour chacune. Pour répondre à une question globale, chaque résumé de communauté pertinent produit une réponse partielle, et celles-ci sont combinées en une réponse finale. Pour les questions précises, un mode local part des entités correspondantes et suit leurs voisines.

La technique et le dépôt

« GraphRAG » désigne à la fois la méthode et l'implémentation open source de Microsoft, testée sur GraphRAG. Des projets voisins comme LightRAG reprennent des idées similaires avec une étape d'indexation plus légère.

Compromis

L'indexation coûte cher, car un LLM traite tout le corpus, souvent plus d'une fois, et le graphe doit être reconstruit ou mis à jour quand les documents changent. La qualité de l'extraction limite celle des réponses. Pour des recherches simples, un RAG classique avec recherche hybride est moins cher et généralement tout aussi bon. Le guide des graphes de connaissances présente les outils.

Termes liés

Graphe de connaissances
Un graphe de connaissances (knowledge graph) stocke l'information sous forme d'entités (personnes, produits, lieux, concepts) reliées par des relations nommées, afin qu'un logiciel puisse suivre les liens entre les faits au lieu de chercher dans du texte libre.
Génération augmentée par récupération
La génération augmentée par récupération (retrieval-augmented generation, RAG) est un schéma dans lequel un système cherche d'abord dans une collection de documents les passages pertinents pour une question, puis fournit ces passages à un modèle de langage pour que sa réponse s'appuie dessus.
RAG agentique
Le RAG agentique (agentic RAG) est une génération augmentée par récupération pilotée par un agent IA, qui décide quand chercher, quoi chercher et quelle source utiliser, et qui peut chercher à nouveau si les premiers résultats ne suffisent pas.
Recherche hybride
La recherche hybride (hybrid search) exécute une recherche par mots-clés et une recherche vectorielle sur la même requête et fusionne les deux listes classées, afin que les résultats puissent correspondre aux mots exacts comme au sens.
Chunking
Le chunking (découpage en fragments) est l'étape qui divise les longs documents en passages plus petits avant qu'ils soient vectorisés et indexés, afin qu'un système de récupération puisse trouver et renvoyer uniquement les parties d'un document qui répondent à une requête.

Sources