GraphRAG: cómo conectar documentos y cuándo usarlo

Documentación verificada el 26 de octubre de 2026 con la documentación de GraphRAG de Microsoft, su repositorio y la documentación de Neo4j y LlamaIndex. La comparación que sigue analiza los mecanismos documentados; no es una prueba de rendimiento. Los ejemplos de comentarios de clientes son ilustrativos.

¿Qué es GraphRAG?

Microsoft GraphRAG prepara una visión de conjunto de los documentos antes de que alguien la solicite. Utiliza un modelo de lenguaje grande, o LLM, para extraer entidades y relaciones de los documentos, agrupa las entidades conectadas en comunidades y genera resúmenes de esas comunidades. Después, su motor de consultas puede apoyarse en esas estructuras para responder preguntas. La introducción de Microsoft explica el método y sus principales modos de recuperación.

Una entidad es un elemento con nombre propio dentro de los datos, como un cliente, un producto, una persona o un proyecto. Una relación conecta entidades: un cliente utiliza un producto; un proyecto depende de un servicio. Juntas, forman un grafo de conocimiento. Una comunidad es un grupo de entidades conectadas, y su resumen describe lo que ocurre en esa parte de la colección.

Imagina la colección de documentos como un campus. La búsqueda vectorial encuentra salas cuyo contenido se parece a tu pregunta. Las relaciones del grafo conectan esas salas. Los resúmenes de las comunidades ofrecen una vista desde las pasarelas superiores. Si preguntas qué sucede en todo el campus, reunir unas cuantas salas parecidas puede dejar alas enteras fuera de la respuesta.

Así se explica un fallo habitual: una aplicación de generación aumentada por recuperación, que entrega al modelo información recuperada antes de que responda, encuentra correctamente la política de exportación, pero responde de forma superficial a «¿Qué frustra a los clientes en el conjunto de estas entrevistas?». La segunda pregunta exige abarcar toda la colección. Puede que ningún pasaje contenga la respuesta de manera explícita.

«Graph RAG» también designa una familia más amplia de sistemas de recuperación que utilizan grafos. Este artículo se centra en la implementación de Microsoft. Una aplicación basada en grafos y construida con otro framework no genera automáticamente los informes de comunidades de Microsoft ni utiliza su método de búsqueda global.

¿Cómo funciona GraphRAG?

El cambio decisivo ocurre durante la indexación: GraphRAG crea descripciones derivadas de los datos que las consultas posteriores pueden reutilizar. El método de indexación estándar de Microsoft utiliza LLM para la extracción y la elaboración de resúmenes, mientras que la agrupación del grafo define la estructura de comunidades.

El proceso sigue una cadena de pasos que dependen unos de otros:

1. Dividir los documentos en unidades de texto. Son fragmentos del texto original. Sus vínculos con los documentos permiten rastrear la procedencia de cada elemento extraído.
2. Extraer entidades y relaciones. El LLM lee cada unidad de texto y describe las entidades y conexiones que encuentra.
3. Consolidar el grafo. Las descripciones de entidades y relaciones coincidentes se combinan y resumen. Las reglas de combinación documentadas utilizan el título y el tipo de la entidad, y el origen y el destino de la relación.
4. Identificar comunidades. Hierarchical Leiden, un algoritmo de agrupación de grafos, reúne las entidades conectadas en distintos niveles de detalle.
5. Generar informes de comunidades y embeddings. El LLM resume las comunidades. También se crean embeddings de los artefactos que se podrán buscar: representaciones numéricas utilizadas para encontrar similitudes.

Estos pasos siguen el flujo de datos de indexación de Microsoft. La extracción de afirmaciones es un flujo adicional opcional y viene desactivada de forma predeterminada. No es necesario extraer afirmaciones para construir el grafo y los informes estándar.

En una colección de comentarios sobre un producto, una entrevista podría mencionar el proyecto Atlas, fallos de exportación y un proceso de aprobación. Otra conversación podría vincular Atlas con un espacio de trabajo compartido. Si la extracción recoge esas conexiones, los informes de comunidades pueden reunir problemas relacionados aunque los documentos los describan con palabras distintas.

Aquí también aparece el punto débil. Si la extracción omite una relación, fusiona entidades diferentes o separa nombres alternativos de una misma entidad, los resúmenes posteriores heredan esa estructura distorsionada. Un grafo bien conectado sigue siendo una interpretación del texto.

Microsoft guarda las salidas del índice predeterminado en tablas Parquet, un formato de archivo orientado a columnas, y escribe los embeddings en el almacén vectorial configurado. Esa organización predeterminada no requiere una base de datos de grafos independiente. Introducción a la indexación.

Búsquedas Global, Local, DRIFT y Basic

Elige el modo de consulta según la evidencia que necesite la respuesta. La búsqueda global aborda patrones en toda la colección; la local parte de las entidades relevantes. Los otros modos permiten ampliar la exploración o disponer de una referencia vectorial para comparar.

Búsqueda global: temas que recorren toda la colección

La búsqueda global es el principal motivo para evaluar Microsoft GraphRAG ante preguntas como «¿Cuáles son los temas principales de todos estos documentos?». Utiliza los informes de comunidades de un nivel concreto de la jerarquía como material para elaborar la respuesta.

El método es map-reduce: procesa lotes por separado y después combina los resultados. En la fase map, los lotes de informes generan respuestas parciales con puntos valorados mediante puntuaciones. La fase reduce selecciona los puntos útiles y los convierte en una respuesta final. Unos informes de comunidades más detallados pueden aumentar tanto el detalle de la respuesta como los recursos necesarios. Documentación de la búsqueda global.

Para un responsable de producto que revisa comentarios de clientes, el beneficio esperado es una cobertura más amplia: la incorporación de usuarios, las aprobaciones y la colaboración pueden aportar cada una su parte a la respuesta. Recuperar más pasajes similares no garantiza que esas áreas distintas queden representadas.

Hay un límite importante: la búsqueda global sintetiza informes. No cuenta con exactitud cuántos clientes mencionaron cada problema. Si la decisión requiere ordenar los problemas por frecuencia, utiliza un procedimiento de conteo con unidades explícitas y eliminación de duplicados; después, deja que el modelo explique los resultados.

Búsqueda local: una entidad y sus conexiones

La búsqueda local encaja con preguntas como «¿Qué relación tiene el proyecto Atlas con los problemas de exportación?». Encuentra entidades relacionadas semánticamente, reúne información conectada del grafo y pasajes de las fuentes asociados a ella, y filtra ese material para ajustarlo a la ventana de contexto de la respuesta. Documentación de la búsqueda local.

Resulta útil cuando la respuesta depende de relaciones dispersas entre varios documentos. El grafo aporta puntos de entrada y conexiones; los pasajes originales aportan detalles que sustentan la respuesta. La búsqueda local sigue utilizando coincidencias por similitud y un contexto limitado, así que no puede garantizar que aparezcan todas las relaciones relevantes.

Búsqueda DRIFT: explorar a partir de un contexto amplio

DRIFT parte de información relevante de las comunidades y desarrolla preguntas de seguimiento que recurren a la búsqueda local. Encaja con preguntas exploratorias en las que una primera respuesta general abre líneas de investigación más específicas. Documentación de DRIFT.

Por ejemplo, «¿Por qué les cuesta colaborar a estos clientes?» puede llevar a investigar por separado las aprobaciones, la responsabilidad compartida y los traspasos del trabajo de exportación. Antes de convertir DRIFT en la opción predeterminada para preguntas rutinarias, evalúa si esas búsquedas adicionales descubren evidencia útil.

Búsqueda Basic: conservar una referencia de comparación

La búsqueda Basic recupera fragmentos de texto similares mediante búsqueda vectorial. Microsoft la incluye para facilitar la comparación entre tipos de consulta. Es un control útil para una pregunta concreta como «¿Qué dice la política de exportación?». Documentación del motor de consultas.

GraphRAG vs RAG: compara las preguntas y el índice

Conserva el método de recuperación más sencillo que responda de forma fiable a la pregunta. La siguiente comparación distingue para qué preguntas sirve cada enfoque, qué trabajo exige indexar y cómo se mantiene el índice. Son valoraciones de arquitectura, no clasificaciones de costo o velocidad basadas en mediciones.

La búsqueda híbrida resuelve un fallo distinto al de la síntesis global. La documentación de búsqueda híbrida de Microsoft describe cómo combinar resultados de búsqueda de texto completo y vectorial. Si la aplicación no encuentra un código exacto de producto, empieza por la búsqueda híbrida. Un resumen global de comunidades es una solución indirecta para un problema de recuperación léxica.

El RAG agéntico cambia el flujo de búsqueda. Un modelo puede decidir recuperar información, valorar su relevancia, reformular la pregunta y volver a buscar, como muestra el tutorial de recuperación agéntica de LangGraph. Utiliza RAG agéntico cuando la aplicación necesite decidir qué evidencia reunir a continuación.

Estos enfoques pueden combinarse. Un agente puede llamar a un recuperador basado en grafos, y este puede comenzar con una búsqueda híbrida. La decisión consiste en identificar qué mecanismo adicional resuelve un fallo observado. Añadirlos todos a la vez dificulta comprobarlo.

¿Por qué GraphRAG exige más trabajo de indexación?

GraphRAG estándar añade procesamiento generativo al trabajo de embeddings de un índice vectorial básico. No hay un multiplicador universal que se pueda aplicar con rigor al número de documentos: el esfuerzo depende del texto, la configuración de extracción, el grafo y los informes que se generen.

Un modelo útil para planificar es:

Trabajo de indexación = procesamiento de fragmentos + pasadas de extracción + resúmenes de descripciones + informes de comunidades + embeddings.

Es un modelo para contabilizar el trabajo de una prueba piloto, no una fórmula de precios del proveedor. Registra el trabajo de cada etapa para ver qué aumenta al añadir datos.

Los fragmentos determinan cuánto se repite el trabajo de extracción. Más fragmentos implican más unidades de texto que analizar. Su tamaño y solapamiento modifican la cantidad de contexto repetido que recibe el extractor. La configuración de Microsoft también incluye max_gleanings, que controla los ciclos adicionales de extracción. No des por hecho que cada fragmento requiere siempre exactamente una llamada al LLM. Referencia de configuración.

El tamaño del grafo determina el material de las etapas posteriores. Una colección con muchas entidades y relaciones distintas puede generar más descripciones que consolidar que otra de tamaño similar centrada en un tema específico. Las menciones repetidas crean descripciones que hay que combinar; la diversidad de conexiones da forma a las comunidades que necesitarán informes. Esto se deriva de las etapas de extracción y elaboración de resúmenes, no solo del número de documentos.

Los informes añaden otra carga de generación. Hay que resumir el contenido de las comunidades, y la jerarquía crea distintos niveles de visión general. Los embeddings también siguen formando parte del índice. La lista de tareas del método estándar es el punto de partida adecuado para identificar estos factores.

Reutilizar la caché puede evitar trabajo repetido del modelo. Microsoft almacena en caché los resultados de las llamadas al LLM para las siguientes ejecuciones de indexación. Mide por separado la construcción desde cero y una actualización: repetir una ejecución con caché no indica lo que exigirá una colección nueva. Configuración de la caché.

El trabajo de consulta requiere un presupuesto aparte. El map-reduce global y la exploración con DRIFT pueden implicar varias operaciones del modelo después de terminar la indexación. Que la prueba piloto de indexación funcione no demuestra que la latencia de las respuestas sea aceptable.

Documentos nuevos, temas desactualizados

Que un documento llegue al almacenamiento no actualiza los informes que utiliza la búsqueda global. El objetivo de actualización debe abarcar el índice derivado que realmente consulta el sistema.

Microsoft ofrece graphrag update; la CLI actual indica que, de forma predeterminada, el nuevo índice se escribe en update_output. La configuración también permite utilizar un almacenamiento separado para las actualizaciones y conservar las salidas existentes. Por tanto, sí existe la actualización incremental, pero un comando de actualización no constituye por sí solo una política completa de sincronización. Referencia de la CLI, almacenamiento de actualizaciones.

Piensa en una conversación de soporte que corrige una afirmación anterior sobre Atlas. El nuevo documento puede estar disponible mientras un informe de comunidad desplegado sigue describiendo la situación antigua. Es un fallo de mantenimiento, aunque una búsqueda directa encuentre la corrección.

Prueba las incorporaciones, correcciones y eliminaciones con la versión y la configuración exactas que vayas a desplegar. Revisa los fragmentos originales, las relaciones extraídas y las respuestas locales y globales. La documentación de la CLI citada no garantiza que todos los cambios se propaguen automáticamente con el comportamiento que necesita tu aplicación.

Para quienes operan el sistema, el requisito práctico es tener una versión visible del índice y una fecha de corte conocida de las fuentes. Publica un conjunto coherente de artefactos y dirige las consultas a esa versión. Si el negocio necesita respuestas inmediatas sobre registros que cambian con rapidez, conserva una vía de recuperación directa mientras evalúas el proceso de actualización de los informes.

Otras dos formas de usar grafos en RAG

Neo4j y LlamaIndex ofrecen componentes de recuperación con grafos que toman decisiones diferentes sobre extracción, almacenamiento y consultas. Evalúa los mecanismos que describe su documentación, en lugar de tratar «GraphRAG» como si fuera un único producto intercambiable.

Neo4j para GraphRAG

Neo4j GraphRAG for Python incluye VectorCypherRetriever: primero encuentra nodos similares y después ejecuta una consulta de recuperación para reunir contexto adicional. Cypher es el lenguaje de consultas de grafos de Neo4j. El paquete también ofrece recuperación híbrida mediante índices vectoriales y de texto completo, además de Text2Cypher para convertir una pregunta en una consulta a la base de datos. Guía de recuperadores de Neo4j.

Esta vía encaja con quien desarrolla una aplicación y quiere controlar de forma explícita qué relaciones seguir tras encontrar un nodo relevante. Por ejemplo, recuperar un proyecto y después obtener sus dependencias vinculadas mediante una consulta de grafo definida.

Las herramientas de construcción de grafos de Neo4j también permiten extraer entidades y relaciones con LLM, escribir el grafo y resolver entidades duplicadas. Su documentación describe una gestión de errores de extracción que puede ignorar los fragmentos que fallen, salvo que se configure de otro modo. Comprueba que la ingesta esté completa, además de verificar que la consulta se ejecuta. Guía de Knowledge Graph Builder.

El límite: una búsqueda vectorial seguida de una consulta de grafo no produce por sí sola la jerarquía de informes de comunidades de Microsoft. Si necesitas resúmenes temáticos amplios, especifica cómo se construirá esa capa.

Grafos de propiedades con LlamaIndex

PropertyGraphIndex de LlamaIndex coordina la construcción del grafo y la recuperación. Un grafo de propiedades contiene entidades etiquetadas, sus atributos y sus relaciones. Los extractores trabajan sobre fragmentos; SchemaLLMPathExtractor puede limitar la extracción a patrones permitidos de entidades y relaciones. VectorContextRetriever encuentra nodos del grafo representados mediante embeddings y recupera rutas conectadas; las opciones de recuperación también permiten acceder al texto original. Guía de grafos de propiedades.

Esta vía encaja con quien quiere extractores y recuperadores configurables dentro de un framework de aplicaciones. Las operaciones documentadas de inserción, inserción o actualización y eliminación aportan componentes para mantener el grafo; la aplicación sigue necesitando una política para los cambios en las fuentes y los hechos derivados.

El límite: las operaciones disponibles dependen del almacén de grafos. El SimplePropertyGraphStore predeterminado no es una base de datos de grafos y no admite Cypher. Elige el almacenamiento y la recuperación de forma conjunta. Tampoco debe suponerse que un índice de grafo de propiedades incluya el flujo de resúmenes globales de Microsoft.

Tutorial de GraphRAG: evalúa el fallo que necesitas resolver

Empieza con una colección acotada y preguntas cuyas respuestas puedas revisar. El repositorio de Microsoft advierte que la indexación puede ser costosa, y su guía de inicio recomienda aprender con un conjunto pequeño de datos antes de abordar un trabajo grande.

Una vez configurados el espacio de trabajo y las credenciales, estos comandos utilizan la sintaxis documentada actual de la CLI:

graphrag index --method standard
graphrag query "What are the main themes across these documents?" --method basic
graphrag query "What are the main themes across these documents?" --method global

La consulta es un argumento posicional en la referencia actual de la CLI.

Evalúa el resultado teniendo en cuenta la cobertura y el respaldo documental a la vez. Una respuesta que enumera más temas, pero inventa conexiones, no ha resuelto el problema. Pide a una persona que revise qué evidencia respalda cada tema importante, anote cuáles de los temas esperados faltan y compruebe si se han reducido grupos distintos a una generalización conveniente.

Si desarrollas el sistema, adopta el grafo solo si resuelve el tipo de pregunta que falla y mantiene un comportamiento aceptable en las consultas de datos concretos. Si lo operas, exige un procedimiento de actualización que funcione ante correcciones y eliminaciones. Si encargas el sistema, pide esas mismas demostraciones con documentos representativos antes de aceptar una visualización del grafo como prueba de que las respuestas han mejorado.

Si la evidencia ya está disponible, pero el modelo insiste en utilizar un formato o comportamiento incorrectos, revisa RAG vs fine tuning. Un índice más elaborado mejora el acceso a la evidencia; no es automáticamente la intervención adecuada para todos los fallos de generación.

¿Qué expectativas sobre GraphRAG están infladas?

La afirmación más sólida que se puede hacer es más acotada que «los grafos mejoran RAG»: un grafo y un método de consulta concretos pueden mejorar una forma concreta de reunir evidencia.

Las conexiones no certifican la veracidad. Las relaciones extraídas y los informes de comunidades pueden contener errores. Trátalos como interpretaciones que se pueden buscar y conserva el rastro hasta la fuente. Una ruta del grafo puede facilitar la inspección de la recuperación sin demostrar que la afirmación subyacente sea correcta.

Más conexiones en una respuesta no garantizan mayor cobertura. Un resumen que parece amplio puede seguir omitiendo un problema aislado. Incluye temas minoritarios y excepciones difíciles de encajar en el conjunto de revisión, sobre todo si podrían cambiar una decisión de producto.

Un resumen de comunidad no es una tabla de frecuencias. Las menciones repetidas, la conectividad de las entidades y la valoración de importancia de un modelo son cosas distintas de contar clientes únicos. Define la unidad de análisis antes de afirmar que un tema es el más frecuente.

El repositorio no es un servicio gestionado de Microsoft. Las indicaciones del repositorio de Microsoft presentan el código como una demostración de la metodología, no como una oferta con soporte oficial de Microsoft. Las responsabilidades de despliegue, supervisión y actualización de datos siguen necesitando una persona a cargo.

Preguntas frecuentes sobre GraphRAG

Qué poner a prueba la próxima semana

Toma la pregunta temática que tu aplicación responde mal e identifica qué evidencia necesitaría una buena respuesta a lo largo de la colección. Diseña una evaluación pequeña de GraphRAG en torno a ese fallo y conserva el recuperador actual como control.

Empieza ahora si la síntesis de toda la colección es una necesidad recurrente del producto y alguien puede hacerse cargo del índice derivado. Espera si el corpus cambia más rápido de lo que puedes validar los informes, o si nadie puede juzgar si una respuesta temática está completa. Conserva el diseño actual si la mayor parte del trabajo consiste en consultas fiables de datos concretos. El resultado útil es una decisión justificada sobre la recuperación, se conserve o no el grafo.

Para recibir guías prácticas sobre cómo crear sistemas de IA, suscríbete al boletín.