GraphRAG
GraphRAG é uma abordagem de recuperação em que um LLM primeiro constrói um grafo de conhecimento a partir de uma coleção de documentos e escreve resumos de grupos de entidades relacionadas, e depois responde a perguntas usando esses resumos e as ligações do grafo.
Também chamado: graph RAG
Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos
A geração aumentada por recuperação padrão busca algumas passagens parecidas com a pergunta. Isso funciona para "qual é o nosso prazo de reembolso?", mas falha em "quais são os temas principais nessas milhares de entrevistas?", porque nenhuma passagem isolada contém a resposta. O GraphRAG foi proposto por pesquisadores da Microsoft em 2024 para lidar com essas perguntas sobre o corpus inteiro.
Como funciona
A indexação tem duas etapas. Um LLM lê cada chunk e extrai entidades e relações, construindo um grafo de conhecimento. O grafo é então dividido em comunidades de entidades bem conectadas, e o LLM escreve um resumo para cada uma. Para responder a uma pergunta global, cada resumo de comunidade relevante produz uma resposta parcial, e elas são combinadas em uma resposta final. Para perguntas estreitas, um modo local parte das entidades correspondentes e segue seus vizinhos.
A técnica e o repositório
"GraphRAG" dá nome tanto ao método quanto à implementação de código aberto da Microsoft, analisada em GraphRAG. Projetos relacionados, como o LightRAG, usam ideias parecidas com uma etapa de indexação mais leve.
Prós e contras
A indexação é cara porque um LLM processa o corpus inteiro, muitas vezes mais de uma vez, e o grafo precisa ser reconstruído ou atualizado quando os documentos mudam. A qualidade da extração limita a qualidade das respostas. Para consultas simples, o RAG comum com busca híbrida é mais barato e geralmente tão bom quanto. O guia de grafos de conhecimento cobre as ferramentas.
Termos relacionados
- Grafo de conhecimento
- Um grafo de conhecimento (knowledge graph) guarda informações como entidades (pessoas, produtos, lugares, conceitos) conectadas por relações nomeadas, para que um software possa seguir as ligações entre fatos em vez de buscar em texto solto.
- Retrieval-augmented generation
- Retrieval-augmented generation (RAG, geração aumentada por recuperação) é um padrão em que um sistema primeiro busca em uma coleção de documentos os trechos relevantes para uma pergunta e depois entrega esses trechos a um modelo de linguagem para que a resposta se baseie neles.
- RAG agêntico
- RAG agêntico (agentic RAG) é a geração aumentada por recuperação conduzida por um agente de IA que decide quando buscar, o que buscar e qual fonte usar, e pode buscar de novo se os primeiros resultados não bastarem.
- Busca híbrida
- A busca híbrida (hybrid search) faz uma busca por palavras-chave e uma busca vetorial na mesma consulta e mescla as duas listas ordenadas, para que os resultados possam corresponder tanto às palavras exatas quanto ao significado.
- Chunking
- Chunking (divisão em trechos) é a etapa que divide documentos longos em passagens menores antes de gerar seus embeddings e indexá-los, para que um sistema de recuperação possa encontrar e devolver apenas as partes de um documento que respondem a uma consulta.