Skip to main content

GraphRAG: Knowledge Graphs in Search

PARA AGENTES DE IAChatGPTClaude

An evolution of Microsoft Research's RAG architecture. It combines classic semantic vector search with a Knowledge Graph, where documents are transformed into entity nodes (people, companies, locations) and relationship edges between them, enabling answers to complex global questions across the entire data corpus.

1. Visão geral do conceito e propósito

Imagine uma delegacia de polícia como nas séries investigativas: na parede, há um quadro de cortiça com fotos de suspeitos, recortes de jornais e endereços de armazéns, todos conectados por linhas vermelhas esticadas.

  • Linha vermelha do Suspeito A para o Banco B: «Abriu conta».
  • Linha vermelha do Banco B para a Empresa C: «Transferiu 1 milhão».

A busca vetorial comum (Vector RAG) não possui esse quadro: ela simplesmente pega um papel aleatório da mesa e não percebe que o texto sobre a pessoa cujo nome aparece em outra pasta está relacionado.

Em 2024, pesquisadores da Microsoft criaram o GraphRAG (RAG baseado em grafos):

  • Os documentos não são mais fatiados em pedaços isolados e cegos.
  • A IA identifica todas as entidades e todas as relações entre elas.
  • Constrói-se uma única rede tridimensional de interdependências.

Na prática de engenharia, isso significa montar o quadro de cortiça do detetive com linhas vermelhas conectando todos os fatos do seu negócio.

2. Busca vetorial comum versus GraphRAG

RAG VETORIAL CONVENCIONAL (Extração de fragmentos):
Pergunta: “Quem controla os ativos da empresa Z?”
A base retorna: Fragmento #481: “A empresa Z está registrada em Londres”
             Fragmento #912: “O diretor da Z é Petro”
❌ A conexão de que Petro é sobrinho do oligarca Ivan foi perdida no fragmento #14!

─────────────────────────────────────────────────────────────

GRAPHRAG (Rede de conexões):
[ Ivan ] ───(Tio)───> [ Petro ] ───(Diretor)───> [ Empresa Z ]
   │                                                        ▲
   └────────────(Beneficiário real via paraíso fiscal)──────────┘
✅ A IA vê instantaneamente toda a estrutura de propriedade e fornece uma resposta completa!

3. Por que o GraphRAG responde às "grandes perguntas"

Um bot comum não consegue responder à pergunta:

  • «Quais foram os três principais problemas mencionados pelos clientes nos feedbacks ao longo do ano inteiro?»

O GraphRAG utiliza a técnica de clusterização hierárquica (Community Summarization):

  1. Encontra grupos de nós semelhantes (por exemplo, o cluster "Reclamações sobre entregadores").
  2. Gera previamente um resumo consolidado para esse cluster.
  3. Quando chega uma pergunta global, responde em segundos com base nesses meta-relatórios prontos.

4. Conclusão prática

O GraphRAG exige mais tempo e capacidade computacional para a indexação inicial da base de conhecimento, mas se o seu negócio depende da compreensão das complexas relações entre parceiros comerciais, contratos ou históricos de clientes, esta é a única maneira de obter relatórios analíticos verdadeiramente profundos e confiáveis.

/ Perguntas FrequentesSchema.org FAQPage

FAQ: GraphRAG: Knowledge Graphs in Search

Vector search is blind to the big picture: it only retrieves 3–5 specific, isolated paragraphs (local facts). If you ask 'What were the main themes and conflicts discussed in the correspondence over the last 3 years?', standard RAG will fail because the answer is not contained in a single specific paragraph.
/ Links internos

Termos relacionados

Todos os termos
Prompts & RAG

RAG vs. Fine-Tuning (O dilema eterno na implementação de IA)

Uma escolha arquitetural fundamental para empresas. RAG (busca em documentos no momento da consulta) versus Fine-Tuning (ajuste dos pesos do modelo via treinamento adicional). Critérios de decisão entre a atualização factual e um estilo comportamental específico.

Ler termo
Prompts & RAG

Bancos de Dados Vetoriais (Vector DBs & Busca ANN)

SGBDs especializados e extensões (Qdrant, pgvector, Milvus, Chroma, Turso), otimizados para armazenar milhões de vetores multidimensionais e realizar buscas aproximadas de vizinhos mais próximos (Approximate Nearest Neighbors) em alta velocidade.

Ler termo
Prompts & RAG

Grounding de fatos (Citação e vinculação a fontes)

Metodologia para vincular afirmações geradas por redes neurais a fontes primárias verificadas (Source Grounding). Permite eliminar invenções e garantir a precisão jurídica e científica das respostas por meio de referências e citações exatas.

Ler termo