GraphRAG: como combinar grafos de conhecimento com IA
Entenda como o GraphRAG combina RAG e grafos de conhecimento, seus modos de busca, custos, limitações e quando essa arquitetura vale a pena.
Imagine pesquisar milhares de contratos, chamados técnicos ou relatórios e perguntar: “Quais são os problemas recorrentes e como eles se relacionam?”.
Um RAG tradicional pode encontrar fragmentos parecidos com a pergunta, mas talvez não consiga reconstruir o panorama completo.
É justamente nesse tipo de investigação que o GraphRAG procura avançar.
GraphRAG combina geração aumentada por recuperação com uma representação em grafo.
Durante a indexação, o sistema identifica entidades, relações e grupos temáticos; na consulta, usa essa estrutura para recuperar tanto detalhes sobre um elemento quanto padrões distribuídos por todo o conjunto de documentos.
Isso não significa que grafos sejam superiores à busca vetorial em qualquer situação.
Construir e manter o índice custa mais, a extração pode cometer erros e perguntas simples continuam sendo bem atendidas por abordagens menores.
Neste guia, você entenderá a arquitetura, os modos de busca, os limites e os critérios para decidir quando o investimento vale a pena.
O que é GraphRAG?
GraphRAG é uma abordagem de recuperação aumentada por geração que usa estruturas de grafo para organizar e recuperar conhecimento.
Em vez de depender somente da semelhança entre uma pergunta e fragmentos de texto, ela modela elementos importantes do conteúdo e os vínculos entre eles.
A implementação aberta da Microsoft popularizou uma arquitetura hierárquica que extrai um grafo de conhecimento de textos não estruturados, detecta comunidades de entidades e produz resumos em diferentes níveis.
A página do projeto GraphRAG da Microsoft Research descreve a combinação de extração textual, análise de redes, prompts e sumarização em um fluxo completo.
O termo também pode ser usado de forma mais ampla para arquiteturas que combinam RAG e grafos. Portanto, “usar GraphRAG” não identifica sozinho uma ferramenta, um banco ou um algoritmo.
É necessário dizer como o grafo é produzido, qual recuperação é aplicada e como as evidências chegam ao modelo gerador.
GraphRAG vs. RAG tradicional
Em um fluxo comum de RAG em IA, documentos são divididos, transformados em embeddings e recuperados por similaridade.
O modelo recebe os fragmentos mais relevantes e redige a resposta. Essa estratégia funciona bem quando a pergunta aponta para passagens localizáveis.
O desafio cresce em perguntas globais, como “quais tendências aparecem no conjunto?” ou “que grupos influenciam esse problema?”. Não há necessariamente um fragmento que contenha a resposta pronta.
É preciso reunir evidências distantes, reconhecer relações e resumir o corpus.
| Critério | RAG vetorial | GraphRAG |
|---|---|---|
| Unidade principal | Fragmentos e embeddings | Fragmentos, entidades, relações e comunidades |
| Melhor tipo de pergunta | Fatos e trechos específicos | Relações, padrões e visão do conjunto |
| Indexação | Relativamente simples | Mais longa e dependente de extração |
| Custo inicial | Menor | Maior, especialmente com LLMs |
| Atualização | Reindexação de fragmentos | Atualização de entidades, relações, comunidades e resumos |
| Risco característico | Recuperar trechos parecidos, mas insuficientes | Criar ou consolidar relações incorretas |
O artigo original, From Local to Global: A Graph RAG Approach to Query-Focused Summarization, avaliou principalmente perguntas globais sobre grandes coleções narrativas.
Os resultados favoráveis desse cenário não devem ser generalizados para todo tipo de busca, domínio ou conjunto de dados.
Como funciona a indexação do GraphRAG
A indexação transforma documentos em artefatos que poderão ser consultados depois.
Na arquitetura padrão, o fluxo pode ser entendido em seis etapas:
- Carregar e normalizar documentos: identificar origem, permissões, datas e metadados.
- Dividir o texto: criar unidades menores sem destruir o contexto necessário.
- Extrair entidades e relações: localizar pessoas, produtos, sistemas, lugares, eventos ou conceitos relevantes ao domínio.
- Consolidar o grafo: combinar menções, descrições e vínculos provenientes de diferentes fragmentos.
- Detectar comunidades: agrupar entidades fortemente relacionadas em uma hierarquia.
- Gerar resumos e embeddings: produzir relatórios das comunidades e representações vetoriais para recuperação.
A documentação oficial da indexação informa que o pipeline padrão extrai entidades, relações e afirmações, detecta comunidades, gera relatórios em vários níveis e cria embeddings.
Na implementação de referência, tabelas são gravadas em Parquet por padrão e os embeddings seguem para o armazenamento vetorial configurado.
A primeira decisão crítica ainda é o chunking dos documentos. Fragmentos pequenos podem separar uma relação de sua explicação; fragmentos grandes aumentam ruído e custo.
O grafo não corrige automaticamente uma divisão ruim.
Entidades, relações e comunidades
Uma entidade representa algo identificável no domínio. Em uma base de suporte técnico, entidades poderiam ser “serviço de pagamentos”, “equipe antifraude”, “erro de autenticação” e “provedor de nuvem”.
Uma relação descreve como dois elementos se conectam: depende de, causa, pertence a, afetou ou foi corrigido por.
As comunidades são grupos de nós com conexões mais intensas entre si. Elas ajudam a revelar áreas temáticas do corpus.
Uma comunidade pode reunir incidentes, sistemas e equipes ligados a falhas de autenticação; outra pode concentrar problemas de latência na camada de dados.
O modelo gera relatórios que resumem cada comunidade e seus principais elementos. Esses relatórios permitem responder perguntas amplas sem inserir todos os documentos no contexto.
O ganho vem acompanhado de uma responsabilidade: o resumo é derivado por IA e precisa manter referências às evidências de origem.
Modos de consulta do GraphRAG
A implementação da Microsoft oferece modos diferentes porque uma única estratégia não atende bem a todas as perguntas.
A visão geral oficial das consultas apresenta busca básica, local, global e DRIFT.
Busca básica
A busca básica funciona como um RAG vetorial de referência: recupera os fragmentos mais semelhantes e os envia para sumarização.
É útil para comparar resultados e para perguntas diretas que não precisam percorrer o grafo.
Busca local
A busca local parte de entidades relevantes e amplia o contexto com vizinhos, relações, descrições, afirmações e fragmentos associados.
Ela combina dados estruturados e texto original para responder perguntas específicas, como “quais incidentes afetaram o serviço de pagamentos e quais equipes participaram da correção?”.
Busca global
A busca global consulta relatórios de comunidades e combina respostas parciais para produzir uma visão do conjunto. É adequada para perguntas como “quais são os principais tipos de falha no último ano?”.
Por percorrer vários resumos e sintetizar resultados, tende a consumir mais recursos.
Busca DRIFT
DRIFT combina contexto de comunidades com exploração local. A consulta começa com uma visão mais ampla, cria perguntas de acompanhamento e aprofunda caminhos relevantes.
É uma alternativa para investigações que não são puramente globais nem limitadas a uma entidade conhecida.
Exemplo prático: investigar incidentes técnicos
Considere uma empresa com post-mortems, chamados, mensagens de operação e documentação de serviços.
Um índice vetorial pode localizar o relatório que contém “timeout no checkout”. GraphRAG procura estruturar também os elementos relacionados.
- Entidades: checkout, gateway, banco, equipe, região, erro e mudança de configuração.
- Relações: checkout depende do gateway; mudança antecedeu o erro; incidente afetou determinada região.
- Comunidades: falhas de autenticação, saturação de banco e problemas do provedor.
- Evidências: trechos dos documentos que sustentam cada elemento extraído.
Uma busca local pode detalhar os incidentes ligados ao gateway. Uma busca global pode resumir os padrões mais frequentes.
DRIFT pode começar por “instabilidade no checkout” e descobrir que uma parte dos casos está ligada à autenticação, enquanto outra deriva de conexões com o banco.
A resposta ainda deve citar documentos e distinguir fato, relação extraída e inferência.
O grafo organiza a investigação; ele não converte automaticamente correlação em causa.
Principais benefícios
- Visão global: comunidades e resumos ajudam a responder perguntas sobre temas distribuídos.
- Recuperação relacional: a consulta pode seguir conexões explícitas entre entidades.
- Contexto em níveis: o sistema alterna entre panorama, comunidade e detalhe.
- Exploração: usuários podem descobrir relações que não conheciam ao formular a pergunta.
- Explicabilidade operacional: entidades, arestas e fontes podem ser inspecionadas durante a depuração.
Esses benefícios complementam técnicas como busca híbrida em RAG.
Um sistema pode usar filtros, palavras-chave, vetores e relações do grafo em etapas diferentes, selecionando o mecanismo adequado ao tipo de pergunta.
Custos e limitações do GraphRAG
O principal custo aparece antes da primeira pergunta. Extrair entidades e relações, consolidar descrições, detectar comunidades e gerar relatórios pode exigir muitas chamadas ao modelo.
Quanto maior e mais variável for o corpus, mais relevante se torna controlar tokens, paralelismo, cache e reprocessamento.
- Extrações imperfeitas: nomes podem ser duplicados, relações omitidas e descrições combinadas incorretamente.
- Atualização complexa: novos documentos podem alterar comunidades e resumos existentes.
- Latência: buscas globais e investigações em múltiplas etapas usam mais contexto e chamadas.
- Ajuste por domínio: tipos de entidade e prompts genéricos podem não representar o vocabulário da organização.
- Operação: é necessário versionar dados, grafo, embeddings, prompts e modelos.
Armazenar vetores em PostgreSQL com pgvector resolve uma parte da recuperação, mas não implementa sozinho extração, comunidades, relatórios ou travessias.
Da mesma forma, instalar um banco de grafos não cria automaticamente uma estratégia GraphRAG.
A qualidade do grafo define a qualidade da resposta
Se duas menções da mesma empresa forem tratadas como entidades diferentes, o grafo fragmentará evidências.
Se organizações distintas forem fundidas porque compartilham uma sigla, criará relações falsas. Esse trabalho de resolução de entidades é tão importante quanto escolher o modelo de linguagem.
Defina uma ontologia mínima: quais entidades importam, quais relações fazem sentido e quais atributos distinguem elementos parecidos.
Não tente modelar tudo. Um grafo menor, alinhado às perguntas do produto, costuma ser mais útil do que uma rede enorme e difícil de validar.
O projeto oficial recomenda adaptar os prompts aos dados. A documentação de ajuste de prompts do GraphRAG oferece opções automáticas e manuais.
Mesmo com ajuste, mantenha amostras revisadas por especialistas para medir extração de entidades, precisão das relações e fidelidade dos resumos.
Arquitetura mínima de uma solução GraphRAG
| Componente | Função | Ponto de controle |
|---|---|---|
| Ingestão | Carrega documentos e metadados | Origem, versão e permissão |
| Chunking | Cria unidades de análise | Tamanho, sobreposição e estrutura |
| Extrator | Identifica entidades, relações e afirmações | Prompt, modelo e esquema |
| Índice de grafo | Consolida nós, arestas e comunidades | Resolução de identidade e proveniência |
| Índice vetorial | Recupera entidades, textos e relatórios por semelhança | Modelo de embedding e filtros |
| Orquestrador | Escolhe a estratégia e monta o contexto | Orçamento, latência e permissões |
| Gerador | Produz a resposta baseada nas evidências | Citações, instruções e limites |
| Avaliação | Mede recuperação e resposta | Conjunto de testes e revisão humana |
A engenharia de contexto conecta essas peças. Não basta encontrar bons nós: o sistema precisa ordenar, compactar e apresentar evidências dentro da janela disponível, preservando instruções e origem.
Quando usar GraphRAG
GraphRAG tende a fazer sentido quando as relações são parte central da pergunta e estão espalhadas por muitos documentos.
Bons candidatos incluem investigação de fraudes, inteligência de ameaças, pesquisa científica, análise jurídica, suporte complexo, histórico de incidentes e descoberta em coleções narrativas.
- Usuários fazem perguntas globais sobre tendências, temas ou grupos.
- Uma resposta exige conectar pessoas, eventos, sistemas ou conceitos distantes.
- O corpus é valioso e relativamente estável, justificando indexação mais cara.
- Existem especialistas capazes de validar esquema e amostras do grafo.
- O benefício pode ser medido contra uma linha de base vetorial.
Quando não usar GraphRAG
Evite começar por GraphRAG quando as perguntas são simples, o corpus muda continuamente ou a equipe ainda não domina a recuperação básica.
Muitos problemas melhoram primeiro com chunking, metadados, filtros, busca híbrida e reranking dos resultados.
- A maioria das respostas está em uma única passagem.
- O volume é pequeno e pode ser pesquisado diretamente.
- Não existem critérios claros para avaliar relações extraídas.
- A atualização precisa aparecer quase em tempo real e o pipeline não suporta incrementos confiáveis.
- O orçamento não comporta indexação, armazenamento e avaliação adicionais.
Como implementar sem começar grande demais
- Escolha uma coleção limitada: use um domínio com documentos representativos e permissões conhecidas.
- Defina perguntas reais: separe consultas factuais, relacionais e globais.
- Crie uma linha de base: implemente busca vetorial ou híbrida antes do grafo.
- Modele poucas entidades: selecione tipos e relações necessários às perguntas.
- Indexe uma amostra: revise nós, arestas, comunidades, resumos e referências.
- Teste modos de consulta: não envie toda pergunta para a busca global.
- Meça custo e ganho: compare qualidade, latência, tokens e manutenção.
Uma boa primeira entrega não precisa de uma interface sofisticada. Um conjunto de perguntas executado contra a linha de base e o GraphRAG já mostra se as relações e os resumos acrescentam informação útil.
Só depois vale integrar roteamento de consultas, cache, observabilidade e atualização incremental.
Como avaliar uma solução GraphRAG
Avaliar apenas se a resposta “parece boa” esconde falhas. Separe o sistema em camadas e use questões cuja resposta esperada e evidências sejam conhecidas.
- Extração: precisão e cobertura de entidades e relações.
- Resolução: taxa de duplicação e fusão indevida de entidades.
- Recuperação: evidências relevantes presentes no contexto.
- Resposta: correção, completude, fidelidade e citações.
- Operação: latência, tokens, custo, falhas e tempo de atualização.
Inclua uma linha de base simples e compare por categoria de pergunta. O conteúdo sobre evals em IA mostra como transformar exemplos reais em testes repetíveis.
GraphRAG só venceu o experimento se melhorar o que importa sem ultrapassar o orçamento e a latência aceitáveis.
Segurança, privacidade e governança
Um grafo pode tornar relações sensíveis mais fáceis de descobrir. Mesmo quando cada documento isolado é permitido, a combinação pode revelar estrutura organizacional, padrões financeiros ou conexões pessoais.
As permissões precisam ser aplicadas durante a recuperação, não apenas na tela final.
- Associe nós, arestas, relatórios e fragmentos às fontes e aos controles de acesso.
- Não gere um resumo comunitário misturando documentos que o mesmo usuário não pode consultar.
- Proteja credenciais de modelos, bancos e armazenamento.
- Registre versões do corpus, prompts, modelos e índice usados em cada resposta.
- Defina retenção, exclusão e reindexação para dados pessoais ou confidenciais.
Também trate documentos recuperados como dados, não como instruções confiáveis. Conteúdo malicioso pode tentar influenciar o modelo.
Separe comandos do sistema, evidências e entrada do usuário, além de validar saídas antes de permitir ações.
Perguntas frequentes
GraphRAG precisa de banco de grafos?
Não obrigatoriamente. O grafo pode ser representado em tabelas ou estruturas em memória, conforme a implementação.
Um banco de grafos é útil para persistência e consultas complexas, mas não substitui extração, comunidades, recuperação e geração.
GraphRAG substitui o RAG tradicional?
Não. Busca vetorial continua eficiente para perguntas factuais e localizadas.
Uma arquitetura madura pode rotear consultas simples para RAG básico e reservar GraphRAG para relações, exploração e perguntas globais.
Qual é a diferença entre GraphRAG e knowledge graph?
Um knowledge graph representa entidades e relações. GraphRAG usa um grafo como parte de um sistema de recuperação e geração.
Ele acrescenta ingestão, consulta, montagem de contexto e resposta por modelo de linguagem.
GraphRAG elimina alucinações?
Não. Ele pode fornecer contexto relacional mais útil, mas modelos ainda podem extrair relações falsas, resumir incorretamente ou escrever conclusões sem apoio. Evidências, citações, avaliação e revisão continuam necessárias.
GraphRAG é caro?
Pode ser mais caro que um RAG vetorial porque a indexação usa modelos para extrair e resumir conhecimento. O custo depende do volume, modelo, prompts, frequência de atualização, cache e tipo de busca. Um piloto medido é essencial.
GraphRAG funciona com dados estruturados?
Sim, mas talvez você não precise extrair um novo grafo quando entidades e relações já são confiáveis.
Dados estruturados podem alimentar diretamente a representação, enquanto documentos acrescentam descrições e evidências. O desenho deve preservar identidade e proveniência.
Conclusão
GraphRAG amplia o RAG ao representar entidades, relações e comunidades.
Essa estrutura permite alternar entre detalhes locais, panoramas globais e explorações progressivas, sendo especialmente útil quando a pergunta depende de conexões espalhadas pelo corpus.
O ganho não vem de adicionar um grafo por si só. Ele depende de documentos bem preparados, esquema adequado, extrações verificáveis, roteamento de consultas e avaliação contra uma solução mais simples. Comece com perguntas reais e uma amostra controlada.
Se o GraphRAG revelar relações e padrões que a linha de base não encontra, você terá evidência concreta para expandir a arquitetura.