Grafo de conhecimento no RAG: o que muda com o GraphRAG

Documentação verificada em 26 de outubro de 2026 com base na documentação do GraphRAG da Microsoft, no repositório do projeto e na documentação do Neo4j e do LlamaIndex. A comparação a seguir analisa os mecanismos documentados dessas ferramentas; não é um teste de desempenho. Os exemplos de feedback sobre produtos são ilustrativos.

O que é GraphRAG e como ele usa um grafo de conhecimento?

O Microsoft GraphRAG prepara uma visão geral do seu acervo antes que alguém peça por ela. Ele usa um grande modelo de linguagem, ou LLM, para extrair entidades e relações dos documentos, agrupa entidades conectadas em comunidades e gera resumos dessas comunidades. O mecanismo de consulta pode então usar essas estruturas para responder a perguntas. A visão geral da Microsoft descreve o método e seus principais modos de recuperação.

Uma entidade é algo identificado nos seus dados, como um cliente, produto, pessoa ou projeto. Uma relação conecta entidades: um cliente usa um produto, um projeto depende de um serviço. Juntas, elas formam um grafo de conhecimento. Uma comunidade é um grupo de entidades conectadas; seu resumo descreve o que acontece naquela parte do acervo.

Imagine o conjunto de documentos como um campus. A busca vetorial encontra salas cujo conteúdo se parece com a sua pergunta. As relações do grafo conectam essas salas. Os resumos das comunidades oferecem uma visão do alto, a partir das passarelas. Quando a pergunta é sobre o que acontece no campus inteiro, reunir algumas salas parecidas pode deixar alas inteiras de fora.

Isso explica uma falha conhecida: seu aplicativo de geração aumentada por recuperação, que fornece evidências recuperadas ao modelo antes de ele responder, encontra corretamente a política de exportação, mas dá uma resposta superficial a “O que frustra os clientes no conjunto dessas entrevistas?”. A segunda pergunta exige cobertura de todo o acervo. Talvez nenhum trecho apresente a resposta diretamente.

“Graph RAG” também designa uma família mais ampla de sistemas de recuperação que usam grafos. Este artigo se concentra na implementação da Microsoft. Um aplicativo baseado em grafos de outro framework não cria automaticamente os relatórios de comunidades da Microsoft nem usa seu método de busca global.

Como o GraphRAG funciona?

A principal mudança acontece na indexação: o GraphRAG cria descrições derivadas dos seus dados que podem ser reutilizadas nas consultas. O método padrão de indexação da Microsoft usa LLMs para extração e sumarização, enquanto o agrupamento do grafo define a estrutura das comunidades.

Na prática, cada etapa depende da anterior:

1. Dividir os documentos em unidades de texto. São trechos do texto original, também chamados de chunks. Os vínculos com os documentos preservam a proveniência, ou seja, permitem rastrear um item extraído até sua fonte.
2. Extrair entidades e relações. O LLM lê cada unidade de texto e descreve as entidades e conexões que encontra.
3. Consolidar o grafo. As descrições de entidades e relações correspondentes são combinadas e resumidas. As regras documentadas de mesclagem usam o título e o tipo da entidade, além da origem e do destino da relação.
4. Identificar comunidades. O Hierarchical Leiden, um algoritmo de agrupamento de grafos, reúne entidades conectadas em diferentes níveis de detalhe.
5. Gerar relatórios de comunidades e embeddings. O LLM resume as comunidades. Os artefatos pesquisáveis também recebem embeddings, representações numéricas usadas na busca por similaridade.

Essas etapas seguem o fluxo de dados da indexação da Microsoft. A extração de afirmações é um fluxo adicional opcional, desativado por padrão. Não é preciso extrair afirmações para criar o grafo e os relatórios padrão.

Em um acervo de feedback sobre produtos, uma entrevista pode mencionar o projeto Atlas, falhas de exportação e um processo de aprovação. Outra conversa pode associar Atlas a um espaço de trabalho compartilhado. Se a extração capturar esses vínculos, os relatórios de comunidades poderão reunir problemas relacionados mesmo quando os documentos usarem palavras diferentes.

É aí que também aparece a fragilidade do processo. Se a extração deixar passar uma relação, mesclar entidades distintas ou separar nomes que deveriam se referir à mesma entidade, os resumos posteriores herdarão essa estrutura distorcida. Mesmo um grafo bem conectado continua sendo uma interpretação do texto.

A Microsoft armazena as saídas padrão do índice em tabelas Parquet, um formato de arquivo orientado a colunas, e grava os embeddings no armazenamento vetorial configurado. Essa organização padrão não exige um banco de dados de grafos separado. Visão geral da indexação.

Busca global, local, DRIFT e básica

Escolha o modo de consulta de acordo com as evidências necessárias para responder. A busca global trata dos padrões no conjunto de documentos; a busca local parte das entidades relevantes. Os demais modos permitem uma exploração mais ampla ou servem como referência de busca vetorial.

Busca global: temas que atravessam o acervo

A busca global é o principal motivo para avaliar o Microsoft GraphRAG diante de perguntas como “Quais são os principais temas no conjunto desses documentos?”. Ela usa os relatórios de comunidades de um nível escolhido da hierarquia como base para a resposta.

O método é map-reduce: processar lotes separadamente e depois combinar os resultados. Na etapa map, os lotes de relatórios geram respostas parciais com pontos acompanhados de uma pontuação. A etapa reduce seleciona os pontos úteis e os transforma em uma resposta final. Relatórios de comunidades mais detalhados podem aumentar tanto o nível de detalhe da resposta quanto os recursos necessários. Documentação da busca global.

Para uma liderança de produto que analisa feedback de clientes, o ganho esperado é ampliar a cobertura: onboarding, aprovações e colaboração podem contribuir para a resposta. Apenas aumentar o número de trechos semelhantes recuperados não garante que essas áreas diferentes estejam representadas.

O limite é importante: a busca global sintetiza relatórios. Ela não conta com precisão quantos clientes mencionaram cada problema. Se a decisão depende de um ranking de frequência, use um procedimento de contagem com unidades explícitas e eliminação de duplicidades; depois, deixe o modelo explicar os resultados.

Busca local: uma entidade e suas conexões

A busca local atende a perguntas como “Qual é a relação do projeto Atlas com os problemas de exportação?”. Ela encontra entidades semanticamente relacionadas, reúne informações conectadas no grafo e trechos associados das fontes, e filtra esse material para caber na janela de contexto da resposta. Documentação da busca local.

Isso é útil quando a resposta depende de relações espalhadas pelos documentos. O grafo oferece pontos de entrada e conexões; os trechos originais fornecem os detalhes que sustentam a resposta. A busca local ainda usa correspondência por similaridade e um contexto limitado, portanto não pode garantir que todas as relações relevantes apareçam.

Busca DRIFT: explorar a partir de um contexto amplo

O DRIFT parte de informações relevantes das comunidades e desenvolve perguntas de aprofundamento que usam a busca local. É adequado para perguntas exploratórias em que a primeira resposta abrangente revela linhas de investigação mais específicas. Documentação do DRIFT.

Por exemplo, “Por que esses clientes têm dificuldade para colaborar?” pode levar a investigações separadas sobre aprovações, responsabilidades compartilhadas e transferências de responsabilidade no processo de exportação. Avalie se essas buscas adicionais encontram evidências úteis antes de adotar o DRIFT como padrão para perguntas rotineiras.

Busca básica: mantenha uma referência para comparação

A busca básica recupera trechos de texto semelhantes por meio de busca vetorial. A Microsoft a inclui para facilitar a comparação entre tipos de consulta. Ela serve como controle para uma pergunta específica, como “O que diz a política de exportação?”. Documentação do mecanismo de consulta.

GraphRAG vs RAG: compare a pergunta e o índice

Fique com a abordagem de recuperação mais simples que responda à pergunta de forma confiável. A comparação abaixo separa adequação à pergunta, trabalho de indexação e manutenção. São avaliações de arquitetura, não rankings de custo ou velocidade obtidos por medição.

A busca híbrida resolve uma falha diferente da síntese global. A documentação de busca híbrida da Microsoft descreve a combinação de resultados de busca textual e vetorial. Se seu aplicativo não encontra um código exato de produto, comece pela busca híbrida. Um resumo global de comunidades é uma solução indireta para um problema de recuperação lexical.

O RAG com agentes muda o fluxo da busca. Um modelo pode decidir usar a recuperação, avaliar a relevância, reescrever a pergunta e buscar novamente, como mostra o tutorial de recuperação com agentes do LangGraph. Use RAG com agentes quando o aplicativo precisar decidir quais evidências reunir em seguida.

Essas abordagens podem ser combinadas. Um agente pode chamar um recuperador baseado em grafos, e esse recuperador pode começar por uma busca híbrida. A decisão é identificar qual mecanismo adicional resolve uma falha observada. Adicionar todos de uma vez torna essa identificação mais difícil.

Por que a indexação do GraphRAG exige mais trabalho?

O GraphRAG padrão acrescenta processamento generativo ao trabalho de embeddings de um índice vetorial simples. Não há um multiplicador universal defensável para aplicar à quantidade de documentos: o trabalho depende do texto, da configuração de extração, do grafo e dos relatórios gerados.

Um modelo útil para planejar é:

Trabalho de indexação = processamento de chunks + passadas de extração + resumos das descrições + relatórios de comunidades + embeddings.

Esse modelo serve para contabilizar o trabalho no seu piloto, não como fórmula de preços de um fornecedor. Acompanhe cada etapa para entender o que cresce quando você adiciona dados.

Os chunks determinam o trabalho repetido de extração. Mais chunks significam mais unidades de texto para analisar. O tamanho e a sobreposição dos chunks alteram a quantidade de contexto repetido que o extrator recebe. A configuração da Microsoft também expõe max_gleanings, que controla ciclos adicionais de extração. Não presuma que cada chunk sempre custa exatamente uma chamada ao LLM. Referência de configuração.

O tamanho do grafo determina o material das etapas seguintes. Um acervo com muitas entidades e relações distintas pode gerar mais descrições para consolidar do que outro de tamanho semelhante sobre um tema restrito. Menções repetidas criam descrições que precisam ser mescladas; conexões variadas moldam as comunidades que precisam de relatórios. Isso decorre das etapas de extração e sumarização, não apenas da quantidade de documentos.

Os relatórios acrescentam outra carga de geração. O conteúdo das comunidades precisa ser resumido, e a hierarquia cria diferentes níveis de visão geral. Os embeddings também continuam fazendo parte do índice. A lista de tarefas do método padrão é o ponto de partida para identificar esses fatores.

Reutilizar o cache pode evitar trabalho repetido do modelo. A Microsoft armazena em cache os resultados das chamadas ao LLM para execuções posteriores da indexação. Meça separadamente uma construção do zero e uma atualização; repetir a execução com cache não mostra quanto um novo acervo vai exigir. Configuração do cache.

O trabalho das consultas precisa de um orçamento separado. O map-reduce global e a exploração com DRIFT podem envolver várias operações de modelo depois que a indexação já terminou. Um piloto de indexação bem-sucedido não demonstra que a latência das respostas será aceitável.

Documentos novos ainda podem gerar resumos desatualizados

A chegada de um documento ao armazenamento não atualiza os relatórios usados pela busca global. Sua meta de atualização precisa abranger o índice derivado que a consulta efetivamente lê.

A Microsoft oferece graphrag update; a CLI atual descreve a gravação do novo índice em update_output por padrão. A configuração também oferece armazenamento separado para atualizações, preservando as saídas existentes. Portanto, a atualização incremental existe, mas um comando de atualização, sozinho, não constitui uma política completa de sincronização. Referência da CLI, armazenamento de atualizações.

Imagine uma conversa de suporte que corrige uma afirmação anterior sobre Atlas. O novo documento pode estar disponível enquanto um relatório de comunidade em produção ainda descreve a situação antiga. Isso é uma falha de manutenção, mesmo que uma busca direta encontre a correção.

Teste inclusões, correções e exclusões na versão e na configuração exatas que você usa em produção. Confira os chunks das fontes, as relações extraídas e as respostas locais e globais. A documentação da CLI citada não estabelece que toda alteração se propague automaticamente com a semântica de que seu aplicativo precisa.

Para quem opera o sistema, o requisito prático é ter uma versão visível do índice e saber até que momento as fontes foram incorporadas. Publique um conjunto consistente de artefatos e depois direcione as consultas para essa versão. Se o negócio precisa de respostas imediatas a partir de registros que mudam rapidamente, mantenha uma rota de recuperação direta disponível enquanto avalia o processo de atualização dos relatórios.

Outras duas opções de RAG com grafos

Neo4j e LlamaIndex oferecem componentes de recuperação com grafos que fazem escolhas diferentes de extração, armazenamento e consulta. Avalie o mecanismo descrito na documentação de cada um, em vez de tratar “GraphRAG” como um único produto intercambiável.

GraphRAG com Neo4j

O Neo4j GraphRAG for Python inclui VectorCypherRetriever: primeiro ele encontra nós semelhantes, depois executa uma consulta de recuperação para reunir contexto adicional. Cypher é a linguagem de consulta de grafos do Neo4j. O pacote também oferece recuperação híbrida com índices vetoriais e de texto completo, além de Text2Cypher para transformar uma pergunta em uma consulta ao banco de dados. Guia de recuperadores do Neo4j.

Essa opção atende a quem desenvolve e quer controlar explicitamente quais relações seguir depois de encontrar um nó relevante. Por exemplo, recuperar um projeto e depois buscar suas dependências vinculadas por meio de uma consulta definida ao grafo.

As ferramentas de construção de grafos do Neo4j também permitem extrair entidades e relações com LLMs, gravar o grafo e resolver entidades duplicadas. A documentação descreve um tratamento de erros de extração que pode ignorar chunks com falha, a menos que seja configurado de outra forma. Verifique se a ingestão está completa, além de conferir se a consulta funciona. Guia do Knowledge Graph Builder.

O limite: uma busca vetorial seguida de uma consulta ao grafo não produz, por si só, a hierarquia de relatórios de comunidades da Microsoft. Se o requisito é gerar resumos temáticos abrangentes, especifique como essa camada será construída.

Grafos de propriedades com LlamaIndex

O PropertyGraphIndex do LlamaIndex coordena a construção e a recuperação do grafo. Um grafo de propriedades armazena entidades rotuladas, seus atributos e suas relações. Os extratores trabalham sobre chunks; SchemaLLMPathExtractor pode restringir a extração a padrões permitidos de entidades e relações. VectorContextRetriever encontra nós do grafo representados por embeddings e recupera caminhos conectados, com o texto original disponível nas opções de recuperação. Guia de grafos de propriedades.

Essa opção atende a quem quer extratores e recuperadores configuráveis dentro de um framework de aplicações. As operações documentadas de inserção, upsert e exclusão oferecem componentes para manter o grafo; o aplicativo ainda precisa de uma política para mudanças nas fontes e nos fatos derivados.

O limite: as operações disponíveis dependem do armazenamento de grafos. O padrão SimplePropertyGraphStore não é um banco de dados de grafos e não oferece suporte a Cypher. Escolha armazenamento e recuperação em conjunto. Também não se deve presumir que um índice de grafo de propriedades inclua o fluxo de sumarização global da Microsoft.

Tutorial de GraphRAG: avalie a falha do seu aplicativo

Comece com um acervo delimitado e perguntas cujas respostas você consiga revisar. O repositório da Microsoft alerta que a indexação pode ser cara, e o guia de primeiros passos recomenda aprender com um conjunto pequeno de dados antes de iniciar um trabalho de grande porte.

Com o ambiente de trabalho e as credenciais configurados, estes comandos seguem a sintaxe atual documentada da 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

A pergunta é um argumento posicional na referência atual da CLI.

Avalie a saída considerando cobertura e sustentação nas fontes em conjunto. Uma resposta que lista mais temas, mas inventa conexões, não resolveu o problema. Peça a alguém que revise a resposta para rastrear cada tema importante até suas evidências, anotar quais temas esperados ficaram de fora e verificar se grupos distintos foram reunidos em uma generalização conveniente.

Para quem desenvolve, adote o grafo apenas se ele resolver a categoria de perguntas que falha e preservar um comportamento aceitável nas buscas pontuais. Para quem opera, exija um procedimento de atualização que funcione diante de correções e remoções. Para quem contrata um sistema, peça as mesmas demonstrações com documentos representativos antes de aceitar uma visualização de grafo como prova de respostas melhores.

Se as evidências já estão disponíveis, mas o modelo insiste no formato ou no comportamento errado, retome a comparação entre RAG e fine-tuning. Um índice mais elaborado trata do acesso às evidências; ele não é automaticamente a intervenção certa para toda falha de geração.

Onde está o exagero em torno do GraphRAG?

A afirmação mais sólida é mais restrita do que “grafos melhoram o RAG”: um grafo e um método de consulta específicos podem melhorar um tipo específico de coleta de evidências.

Conexões não atestam a veracidade. Relações extraídas e relatórios de comunidades podem estar errados. Trate-os como interpretações pesquisáveis e preserve o caminho até a fonte. Um caminho no grafo pode facilitar a inspeção da recuperação sem provar que a afirmação subjacente está correta.

Respostas com mais conexões não são necessariamente mais completas. Um resumo que parece abrangente ainda pode omitir um problema isolado. Inclua temas minoritários e exceções difíceis de acomodar no conjunto de revisão, sobretudo se puderem mudar uma decisão de produto.

Um resumo de comunidade não é uma tabela de frequência. Menções repetidas, conectividade das entidades e a avaliação de importância feita pelo modelo são coisas diferentes de contar clientes únicos. Defina a unidade de análise antes de afirmar que um tema é o mais comum.

O repositório não é um serviço gerenciado da Microsoft. As orientações do repositório da Microsoft descrevem o código como uma demonstração da metodologia, e não como uma oferta com suporte oficial da Microsoft. As responsabilidades por implantação, monitoramento e atualização dos dados continuam precisando de um responsável.

Perguntas frequentes sobre GraphRAG

O que fazer na próxima semana

Escolha a pergunta temática que seu aplicativo hoje responde mal e identifique quais evidências uma boa resposta precisaria reunir no acervo. Monte uma pequena avaliação do GraphRAG em torno dessa falha, mantendo seu recuperador atual como controle.

Comece agora se a síntese do acervo inteiro é um requisito recorrente do produto e alguém pode assumir a responsabilidade pelo índice derivado. Espere se o corpus muda mais rápido do que você consegue validar os relatórios ou se ninguém consegue avaliar se uma resposta temática está completa. Mantenha a arquitetura atual se a maior parte da demanda é por consultas factuais que já funcionam de forma confiável. O resultado útil é uma decisão de recuperação bem fundamentada, com ou sem o grafo.

Para receber guias práticos sobre a construção de sistemas de IA, assine a newsletter.