GraphRAG
RAG augmenté par un graphe de connaissances, formalisé par Microsoft Research. Au lieu de découper tes documents en morceaux et de chercher les plus proches par similarité vectorielle, GraphRAG fait extraire par un LLM les entités et leurs relations, construit un graphe, puis répond aux questions en parcourant ce graphe. Résultat : il sait répondre aux questions transversales ("quels thèmes reviennent dans tout le corpus ?") que le RAG vectoriel plat rate, parce qu'aucun chunk isolé ne contient la réponse.
Forces
- Répond aux questions globales transversales que le RAG vectoriel plat rate par construction
- Le graphe entités/relations rend le raisonnement explicable : tu vois par quels liens la réponse passe
- Implémentation de référence open-source signée Microsoft Research, documentée et reproductible
Limites
- L'extraction d'entités par LLM en amont est lourde en tokens et en temps : coût d'indexation élevé
- Reconstruire le graphe à chaque mise à jour du corpus est coûteux : mal adapté aux données très mouvantes
- Surdimensionné pour la majorité des cas RAG : si la question est locale, le RAG vectoriel plat suffit
Pour qui
- Corpus stables et volumineux où l'on pose des questions de synthèse globale (rapports, archives, bases documentaires)
- Équipes data/IA dont le RAG vectoriel plat échoue déjà sur les questions transversales mesurées
- Tech leads qui évaluent quand un graphe de connaissances justifie son surcoût face au RAG classique