Trouver un paragraphe pertinent ne répond pas toujours à une question commerciale. Une équipe des achats peut avoir besoin de relier un fournisseur, sa société mère et plusieurs contrats pour comprendre une dépendance. GraphRAG ajoute une représentation des entités et des relations à la récupération, aidant un système à examiner des questions qui couvrent plusieurs sources.
Le 14 septembre 2026, AWS a publié une mise en œuvre partagée de GraphRAG et LightRAG. L’annonce fournit un exemple concret de test de différentes méthodes de récupération par graphe sur une infrastructure commune, plutôt que de supposer qu’une approche convient à chaque requête.
En quoi GraphRAG diffère-t-il de RAG standard ?
La génération augmentée par récupération trouve généralement des passages liés à une question et les fournit à un modèle de langage. Cela fonctionne bien lorsque les preuves nécessaires apparaissent dans un petit nombre de sections identifiables.
Un graphe ajoute des connexions explicites : une organisation possède une filiale, un contrat couvre un service ou un document remplace un autre document. La récupération peut alors utiliser ces relations pour assembler des preuves. Notre introduction en langage clair au RAG explique le modèle de récupération sous-jacent.
Choisissez des questions qui nécessitent des preuves connectées
Une revue illustrative des fournisseurs pourrait demander quels accords impliquent des entreprises appartenant au même groupe. Une recherche conventionnelle peut trouver les noms de fournisseurs individuels. Un modèle de relations peut aider à relier ces noms, à condition que les informations sur la propriété soient exactes et à jour.
La récupération via graphe est moins convaincante pour une question simple comme trouver une clause d’annulation dans un contrat. Une méthode de recherche plus simple peut répondre à cette question avec moins de préparation et un coût opérationnel plus faible.
Le graphe nécessite ses propres contrôles de qualité.
L’extraction d’entités peut confondre des organisations aux noms similaires ou considérer une seule entreprise comme plusieurs entités différentes. Les relations peuvent également être obsolètes, incomplètes ou déduites de manière incorrecte. Ces erreurs affectent les preuves reçues par le modèle.
Conservez une référence à la source derrière chaque relation importante. Suivez les dates d’effet et définissez comment le graphe change lorsqu’un document est remplacé. Appliquez des restrictions d’accès aux preuves récupérées et aux résumés dérivés, pas seulement aux fichiers originaux.
Comparez la valeur au travail supplémentaire
Créez une collection de test contenant à la fois des recherches directes et des questions nécessitant plusieurs faits connectés. Comparez une approche RAG conventionnelle à l’approche de graphe en termes de correction des réponses, preuves à l’appui et temps de réponse.
Incluez le coût de la construction, de la mise à jour et de la vérification du graphe. Une meilleure réponse à une question difficile peut justifier ce travail, tandis qu’une amélioration marginale sur des requêtes simples peut ne pas le faire. Gardez l’évaluation ancrée dans les questions auxquelles vos employés ont réellement besoin de réponses.
Une règle de décision pour choisir la récupération de graphes
Choisissez un pilote de graphe lorsque des questions importantes nécessitent fréquemment de joindre des entités nommées, de suivre des dépendances ou de réconcilier des relations entre sources. Conservez la récupération conventionnelle comme référence pour les questions auxquelles une seule section répond. Les deux approches nécessitent toujours des citations qui soutiennent réellement la réponse.
Pendant l’évaluation, retirez une relation de soutien et vérifiez si le système admet que la chaîne est incomplète. Testez également les dates conflictuelles et les organisations portant des noms similaires. Ces cas révèlent des erreurs qu’un résumé fluide peut dissimuler. Établissez d’abord un contexte d’entreprise fiable, et utilisez un processus d’évaluation commun pour décider si la maintenance supplémentaire du graphe est justifiée.
Construire sur une base de connaissances fiable
Avant d’ajouter un graphique, vérifiez la qualité du document, le contrôle des versions et la récupération de base. La progression décrite dans notre article RAG vers RAPTOR commence également par ces fondations. Explorez un référentiel de connaissances et discutez de vos questions de recherche avec NextBrain AI pour identifier où les relations pourraient ajouter de la valeur.