GraphRAG : fonctionnement, usages et limites du RAG par graphe

Documentation vérifiée le 26 octobre 2026 à partir de la documentation GraphRAG de Microsoft, de son dépôt de code et des documentations de Neo4j et de LlamaIndex. La comparaison qui suit analyse les mécanismes documentés ; elle ne constitue pas un test de performances. Les exemples de retours produit servent à illustrer le propos.

Qu’est-ce que GraphRAG ?

Microsoft GraphRAG prépare une vue d’ensemble de votre corpus avant même qu’on la lui demande. Il utilise un grand modèle de langage, ou LLM, pour extraire les entités et leurs relations à partir des documents, regroupe les entités reliées en communautés, puis produit une synthèse de chacune. Son moteur de requêtes peut ensuite s’appuyer sur ces structures pour répondre aux questions. La présentation de Microsoft décrit la méthode et ses principaux modes de recherche.

Une entité est un élément nommé dans vos données : un client, un produit, une personne ou un projet, par exemple. Une relation relie des entités : un client utilise un produit, un projet dépend d’un service. L’ensemble forme un graphe de connaissances. Une communauté est un groupe d’entités reliées entre elles ; sa synthèse décrit ce qui se passe dans cette partie du corpus.

Imaginez que le corpus soit un campus. La recherche vectorielle trouve les salles dont le contenu ressemble à votre question. Les relations du graphe relient ces salles. Les synthèses de communautés offrent une vue d’ensemble depuis les passerelles en hauteur. Pour comprendre ce qui se passe sur tout le campus, visiter quelques salles similaires risque de laisser de côté des ailes entières.

C’est ce qui explique un échec bien connu : votre application de génération augmentée par la recherche, qui fournit au modèle des éléments retrouvés dans les sources avant qu’il réponde, retrouve correctement la politique d’exportation, mais reste superficielle face à la question « Qu’est-ce qui frustre les clients dans l’ensemble de ces entretiens ? ». Cette seconde question exige de couvrir tout le corpus. Aucun passage ne formule nécessairement la réponse à lui seul.

L’expression « Graph RAG » désigne aussi une famille plus large de systèmes de recherche qui utilisent des graphes. Cet article porte sur l’implémentation de Microsoft. Une application fondée sur un graphe dans un autre framework ne construit pas automatiquement les rapports de communautés de Microsoft et n’utilise pas nécessairement sa méthode de recherche globale.

Comment fonctionne GraphRAG ?

Le changement essentiel intervient à l’indexation : GraphRAG crée des descriptions dérivées de vos données, réutilisables lors des requêtes suivantes. La méthode d’indexation standard de Microsoft confie l’extraction et la synthèse aux LLM ; un algorithme de partitionnement du graphe détermine la structure des communautés.

Le processus suit une chaîne de dépendances concrète :

1. Découper les documents en unités de texte. Ces fragments proviennent du texte source. Les liens qui les rattachent aux documents assurent la traçabilité : ils permettent de retrouver la source d’un élément extrait.
2. Extraire les entités et les relations. Le LLM lit chaque unité de texte et décrit les entités et les liens qu’il y repère.
3. Consolider le graphe. Les descriptions des entités et des relations correspondantes sont regroupées et synthétisées. Les règles de fusion documentées s’appuient sur le nom et le type de l’entité, ainsi que sur la source et la cible de la relation.
4. Détecter les communautés. Hierarchical Leiden, un algorithme de partitionnement de graphe, regroupe les entités reliées à différents niveaux de détail.
5. Produire les rapports de communautés et les embeddings. Le LLM synthétise les communautés. Les éléments destinés à la recherche reçoivent aussi des embeddings, des représentations numériques utilisées pour la recherche par similarité.

Ces étapes suivent le flux de traitement de l’indexation de Microsoft. L’extraction d’affirmations est un workflow supplémentaire facultatif, désactivé par défaut. Elle n’est pas nécessaire pour construire le graphe et les rapports standard.

Dans un corpus de retours produit, un entretien peut évoquer le projet Atlas, des échecs d’exportation et un processus de validation. Une autre conversation peut relier Atlas à un espace de travail partagé. Si l’extraction saisit ces liens, les rapports de communautés peuvent réunir des préoccupations connexes, même lorsque les documents emploient des formulations différentes.

La fragilité de l’approche apparaît au même endroit. Si l’extraction manque une relation, fusionne des entités distinctes ou sépare des alias qui devraient désigner la même entité, les synthèses suivantes héritent de cette structure déformée. Aussi bien relié soit-il, un graphe reste une interprétation du texte.

Par défaut, Microsoft stocke les résultats de l’indexation dans des tables Parquet, un format de fichier en colonnes, et écrit les embeddings dans le stockage vectoriel configuré. Cette organisation par défaut n’exige pas de base de données de graphes distincte. Présentation de l’indexation.

Recherche globale, locale, DRIFT et Basic : quel mode choisir ?

Choisissez le mode de recherche selon les éléments nécessaires à la réponse. La recherche globale vise les tendances à l’échelle du corpus ; la recherche locale part des entités pertinentes. Les autres modes permettent une exploration plus large ou servent de référence vectorielle.

Recherche globale : dégager les thèmes du corpus

La recherche globale est la principale raison d’évaluer Microsoft GraphRAG pour une question comme « Quels sont les grands thèmes de l’ensemble de ces documents ? ». Elle construit sa réponse à partir des rapports de communautés d’un niveau choisi dans la hiérarchie.

La méthode repose sur le map-reduce : traiter des lots séparément, puis combiner leurs résultats. Lors de la phase map, chaque lot de rapports produit des réponses partielles dont les points sont notés. La phase reduce sélectionne les points utiles et les transforme en réponse finale. Des rapports de communautés plus détaillés peuvent enrichir la réponse tout en augmentant les ressources nécessaires. Documentation de la recherche globale.

Pour un responsable produit qui examine les retours clients, le bénéfice recherché est une couverture plus large : la prise en main, les validations et la collaboration peuvent chacune contribuer à la réponse. Augmenter simplement le nombre de passages similaires retrouvés ne garantit pas que ces différents sujets seront représentés.

Il faut bien comprendre la limite : la recherche globale synthétise des rapports. Elle ne compte pas exactement combien de clients ont mentionné chaque problème. Si la décision exige un classement par fréquence, utilisez une procédure de comptage avec des unités explicites et une déduplication, puis confiez au modèle l’explication des résultats.

Recherche locale : une entité et son contexte

La recherche locale convient à une question comme « Quel est le lien entre le projet Atlas et les problèmes d’exportation ? ». Elle repère les entités sémantiquement proches, rassemble les informations du graphe qui leur sont reliées et les passages sources associés, puis filtre l’ensemble pour respecter la fenêtre de contexte de la réponse. Documentation de la recherche locale.

Ce mode est utile lorsque la réponse dépend de relations dispersées dans plusieurs documents. Le graphe fournit les points d’entrée et les liens ; les passages originaux apportent les détails qui les étayent. La recherche locale repose toujours sur la similarité et sur un contexte limité : elle ne garantit donc pas de faire apparaître toutes les relations pertinentes.

Recherche DRIFT : partir d’une vue large pour approfondir

DRIFT part d’informations pertinentes sur les communautés, puis élabore des questions complémentaires traitées par la recherche locale. Ce mode convient aux questions exploratoires, lorsqu’une première réponse générale fait émerger des pistes d’investigation plus précises. Documentation de DRIFT.

Par exemple, « Pourquoi la collaboration est-elle difficile pour ces clients ? » peut conduire à examiner séparément les validations, le partage des responsabilités et la transmission des exports. Vérifiez si ces recherches supplémentaires apportent des éléments utiles avant de faire de DRIFT le mode par défaut pour les questions courantes.

Recherche Basic : garder un point de comparaison

La recherche Basic retrouve des fragments de texte similaires par recherche vectorielle. Microsoft l’inclut pour faciliter les comparaisons entre les types de requêtes. Elle constitue un témoin utile pour une question ciblée comme « Que dit la politique d’exportation ? ». Documentation du moteur de requêtes.

GraphRAG vs RAG : comparer les questions et l’index

Gardez l’approche de recherche la plus simple qui répond de façon fiable à la question. Le tableau distingue l’adéquation aux questions, le travail d’indexation et la maintenance. Il s’agit d’une analyse des architectures, pas d’un classement fondé sur des mesures de coût ou de vitesse.

La recherche hybride résout un autre problème que la synthèse globale. La documentation de Microsoft sur la recherche hybride décrit la combinaison des résultats de recherche en texte intégral et de recherche vectorielle. Si votre application ne retrouve pas un code produit exact, commencez par la recherche hybride. Une synthèse globale de communautés est un détour pour résoudre un problème de recherche lexicale.

Le RAG agentique modifie le workflow de recherche. Un modèle peut choisir de lancer une recherche, juger la pertinence des résultats, reformuler la question et chercher à nouveau, comme le montre le tutoriel de recherche agentique de LangGraph. Utilisez le RAG agentique lorsque l’application doit décider quels éléments recueillir ensuite.

Ces approches peuvent se combiner. Un agent peut appeler un moteur de recherche sur graphe, et ce moteur peut commencer par une recherche hybride. Il faut déterminer quel mécanisme supplémentaire résout un échec observé. Les ajouter tous à la fois complique ce diagnostic.

Pourquoi l’indexation GraphRAG demande plus de travail

GraphRAG standard ajoute des traitements génératifs au calcul d’embeddings d’un index vectoriel simple. Aucun multiplicateur universel ne permet d’estimer sérieusement ce travail à partir du nombre de documents : il dépend du texte, de la configuration de l’extraction, du graphe et des rapports produits.

Pour préparer un pilote, on peut raisonner ainsi :

Travail d’indexation = traitement des fragments + passes d’extraction + synthèses des descriptions + rapports de communautés + embeddings.

Cette formule aide à décomposer le travail de votre pilote ; ce n’est pas une formule tarifaire de fournisseur. Mesurez chaque étape pour voir ce qui augmente lorsque vous ajoutez des données.

Les fragments déterminent le travail d’extraction répété. Plus il y a de fragments, plus il y a d’unités de texte à analyser. Leur taille et leur chevauchement modifient la quantité de contexte répétée que l’extracteur doit traiter. La configuration de Microsoft expose aussi max_gleanings, qui contrôle les cycles d’extraction supplémentaires. Ne partez pas du principe qu’un fragment coûte toujours exactement un appel au LLM. Référence de configuration.

La taille du graphe détermine le volume à traiter en aval. Un corpus contenant de nombreuses entités et relations distinctes peut produire davantage de descriptions à consolider qu’un corpus de taille comparable consacré à un sujet restreint. Les mentions répétées créent des descriptions à fusionner ; la diversité des liens façonne les communautés pour lesquelles il faudra produire des rapports. Cela découle des étapes d’extraction et de synthèse, et pas seulement du nombre de documents.

Les rapports ajoutent une charge de génération. Le contenu des communautés doit être synthétisé, et la hiérarchie crée plusieurs niveaux de vue d’ensemble. Les embeddings restent eux aussi une composante de l’index. La liste des tâches de la méthode standard est le bon point de départ pour identifier ces facteurs.

Réutiliser le cache peut éviter de refaire travailler le modèle. Microsoft met en cache les résultats des appels aux LLM pour les indexations suivantes. Mesurez séparément une construction initiale et une mise à jour : relancer l’indexation avec un cache ne dit pas ce qu’exigera un nouveau corpus. Configuration du cache.

Le traitement des requêtes relève d’un budget distinct. Le map-reduce global et l’exploration DRIFT peuvent mobiliser le modèle plusieurs fois après la fin de l’indexation. Un pilote d’indexation réussi ne garantit pas un délai de réponse acceptable.

Des documents à jour ne garantissent pas des synthèses à jour

L’arrivée d’un document dans le stockage ne met pas à jour les rapports utilisés par la recherche globale. Votre exigence de fraîcheur doit aussi couvrir l’index dérivé que la requête consulte réellement.

Microsoft fournit graphrag update ; la CLI actuelle indique que le nouvel index est écrit par défaut dans update_output. La configuration prévoit également un stockage de mise à jour distinct pour préserver les résultats existants. La mise à jour incrémentale existe donc, mais une commande ne constitue pas à elle seule une politique de synchronisation complète. Référence de la CLI, stockage des mises à jour.

Prenons une conversation avec le support qui corrige une affirmation antérieure sur Atlas. Le nouveau document peut être présent alors qu’un rapport de communauté déployé décrit encore l’ancienne situation. C’est un défaut de maintenance, même si une recherche directe permet de retrouver la correction.

Testez les ajouts, les corrections et les suppressions sur la version et la configuration exactes que vous déployez. Vérifiez les fragments sources, les relations extraites et les réponses locales comme globales. La documentation de la CLI citée ici ne permet pas d’affirmer que chaque modification se propage automatiquement avec les effets précis dont votre application a besoin.

Pour les équipes d’exploitation, l’exigence concrète est de disposer d’une version d’index identifiable et d’une date limite connue pour les sources prises en compte. Publiez un ensemble cohérent d’éléments, puis dirigez les requêtes vers cette version. Si le métier exige des réponses immédiates à partir de données qui changent rapidement, gardez une voie de recherche directe pendant l’évaluation du processus de mise à jour des rapports.

Deux autres approches du RAG par graphe

Neo4j et LlamaIndex proposent des briques de recherche sur graphe avec des choix différents pour l’extraction, le stockage et les requêtes. Évaluez le mécanisme décrit dans leur documentation, au lieu de considérer « GraphRAG » comme un produit unique dont toutes les variantes seraient interchangeables.

Neo4j pour GraphRAG

Neo4j GraphRAG for Python comprend VectorCypherRetriever : il trouve d’abord des nœuds similaires, puis exécute une requête pour recueillir du contexte supplémentaire. Cypher est le langage de requête de Neo4j pour les graphes. Le package propose aussi une recherche hybride reposant sur des index vectoriels et de texte intégral, ainsi que Text2Cypher pour transformer une question en requête de base de données. Guide des moteurs de recherche de Neo4j.

Cette approche convient aux développeurs qui veulent contrôler explicitement les relations à parcourir après avoir trouvé un nœud pertinent. Par exemple, retrouver un projet, puis récupérer les dépendances qui lui sont liées au moyen d’une requête de graphe définie.

Les outils de construction de graphe de Neo4j prennent aussi en charge l’extraction d’entités et de relations par LLM, l’écriture du graphe et la résolution des doublons d’entités. Leur documentation décrit une gestion des erreurs d’extraction qui peut ignorer les fragments en échec, sauf configuration contraire. Vérifiez que l’ingestion est complète, en plus de vérifier que les requêtes s’exécutent. Guide de Knowledge Graph Builder.

La limite : une recherche vectorielle suivie d’une requête sur le graphe ne produit pas, à elle seule, la hiérarchie de rapports de communautés de Microsoft. Si vous avez besoin de synthèses thématiques générales, précisez comment cette couche sera construite.

Les graphes de propriétés de LlamaIndex

Le PropertyGraphIndex de LlamaIndex orchestre la construction du graphe et la recherche. Un graphe de propriétés contient des entités étiquetées, leurs attributs et leurs relations. Ses extracteurs travaillent sur les fragments ; SchemaLLMPathExtractor peut limiter l’extraction à des schémas d’entités et de relations autorisés. VectorContextRetriever retrouve les nœuds du graphe à partir de leurs embeddings, puis récupère les chemins reliés ; les options de recherche permettent aussi d’obtenir le texte source. Guide des graphes de propriétés.

Cette approche convient aux développeurs qui veulent des extracteurs et des moteurs de recherche configurables au sein d’un framework applicatif. Les opérations documentées d’insertion, d’upsert et de suppression fournissent des briques pour entretenir le graphe ; l’application doit toujours définir comment gérer les changements des sources et les faits qui en sont dérivés.

La limite : les opérations disponibles dépendent du système de stockage du graphe. Le SimplePropertyGraphStore utilisé par défaut n’est pas une base de données de graphes et ne prend pas en charge Cypher. Choisissez le stockage et la recherche ensemble. Ne supposez pas non plus qu’un index de graphe de propriétés inclut le workflow de synthèse globale de Microsoft.

Tutoriel GraphRAG : partir de l’échec à corriger

Commencez avec un corpus délimité et des questions dont vous pouvez contrôler les réponses. Le dépôt de Microsoft prévient que l’indexation peut être coûteuse, et son guide de démarrage recommande de se familiariser avec un petit jeu de données avant de lancer un traitement volumineux.

Une fois l’espace de travail et les identifiants configurés, ces commandes utilisent la syntaxe actuellement documentée 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 question est un argument positionnel dans la référence actuelle de la CLI.

Évaluez la réponse à la fois sur sa couverture et sur son ancrage dans les sources. Une réponse qui énumère davantage de thèmes mais invente des liens n’a pas résolu le problème. Demandez à une personne chargée de la relecture de rattacher chaque thème important à des éléments sources, de noter les thèmes attendus qui manquent et de vérifier si des groupes distincts ont été fondus dans une généralisation commode.

Pour les développeurs, n’adoptez le graphe que s’il corrige la catégorie de questions en échec tout en préservant une recherche factuelle acceptable. Pour les équipes d’exploitation, exigez une procédure de mise à jour qui résiste aux corrections et aux suppressions. Si vous commandez un système, demandez les mêmes démonstrations sur des documents représentatifs avant de considérer une visualisation du graphe comme la preuve de meilleures réponses.

Si les éléments nécessaires sont déjà présents, mais que le modèle adopte régulièrement le mauvais format ou le mauvais comportement, revenez à la comparaison RAG ou fine-tuning. Un index plus élaboré agit sur l’accès aux éléments sources ; ce n’est pas automatiquement la bonne réponse à tous les échecs de génération.

Quelles promesses faut-il relativiser ?

L’affirmation la plus solide reste plus modeste que « les graphes améliorent le RAG » : un graphe donné, associé à une méthode de requête donnée, peut améliorer une forme précise de recherche d’éléments sources.

Les liens ne garantissent pas la vérité. Les relations extraites et les rapports de communautés peuvent être erronés. Traitez-les comme des interprétations consultables et préservez la traçabilité jusqu’aux sources. Un chemin dans le graphe peut rendre la recherche plus facile à examiner sans prouver la véracité de l’affirmation sous-jacente.

Une réponse qui relie davantage d’éléments n’est pas forcément plus complète. Une synthèse apparemment large peut encore omettre une préoccupation isolée. Incluez des thèmes minoritaires et des exceptions difficiles à intégrer dans le jeu d’évaluation, surtout s’ils peuvent modifier une décision produit.

Une synthèse de communauté n’est pas un tableau de fréquences. Les mentions répétées, les liens entre entités et l’importance estimée par un modèle ne reviennent pas à compter des clients distincts. Définissez l’unité d’analyse avant d’affirmer qu’un thème est le plus fréquent.

Le dépôt de code n’est pas un service managé de Microsoft. Les indications de Microsoft sur le dépôt présentent le code comme une démonstration de la méthodologie, et non comme une offre officiellement prise en charge par Microsoft. Il faut toujours désigner un responsable du déploiement, de la supervision et de la mise à jour des données.

Questions fréquentes sur GraphRAG

Que mettre à l’essai dès la semaine prochaine ?

Prenez une question thématique à laquelle votre application répond mal aujourd’hui et identifiez les éléments qu’une bonne réponse devrait réunir dans le corpus. Construisez une petite évaluation GraphRAG autour de cet échec, en gardant votre moteur de recherche actuel comme témoin.

Passez à l’action si la synthèse à l’échelle du corpus est un besoin récurrent du produit et si quelqu’un peut prendre en charge l’index dérivé. Attendez si le corpus évolue plus vite que vous ne pouvez valider les rapports, ou si personne ne peut juger si une réponse thématique est complète. Gardez l’architecture actuelle si l’usage dominant reste une recherche factuelle fiable. Le résultat utile est une décision justifiée sur la recherche, que le graphe soit retenu ou non.

Pour recevoir des guides pratiques sur la création de systèmes d’IA, inscrivez-vous à la newsletter.