Pourquoi le RAG classique atteint ses limites
Un système RAG découpe les documents en fragments, calcule leurs représentations vectorielles puis retrouve les passages les plus proches de la question. Cette méthode est efficace lorsqu'une réponse se trouve dans quelques extraits bien identifiés.
Elle devient moins fiable lorsque la question porte sur plusieurs documents à la fois. Les relations entre personnes, organisations, lieux ou événements peuvent être réparties dans tout le corpus. Une recherche par similarité sémantique ne reconstruit pas toujours cette structure globale.
Pour revoir les bases, consultez le parcours Kiveclair Academy et les ressources techniques du Kiveclair Open Hub.
Ce que GraphRAG ajoute
GraphRAG extrait les entités et les relations présentes dans les documents. Il les assemble ensuite dans un graphe : les entités deviennent des nœuds et leurs liens deviennent des arêtes.
Des communautés pour résumer le corpus
L'indexation regroupe aussi les zones fortement connectées du graphe. Chaque communauté peut recevoir un résumé. Le système dispose ainsi de plusieurs niveaux de lecture : les passages d'origine, les entités locales et les thèmes globaux.
Cette structure distingue deux grands besoins. Une recherche locale suit des entités précises et leurs relations. Une recherche globale combine les résumés de communautés pour répondre à une question transversale.
Dans quels cas l'utiliser
GraphRAG est pertinent pour analyser un ensemble de rapports, cartographier les acteurs d'un secteur, relier des événements dispersés ou explorer une documentation volumineuse. Il est moins adapté à une petite base documentaire où une recherche vectorielle simple suffit.
Pour un projet Kiveclair, la première étape consiste donc à formuler la question métier, mesurer la qualité du corpus et comparer le résultat à un RAG plus simple. Les échanges avec d'autres constructeurs peuvent se poursuivre dans la communauté Kiveclair.
Coûts et points de vigilance
La construction du graphe demande davantage de calcul qu'un index vectoriel classique. La qualité dépend aussi de l'extraction des entités, des relations et des résumés. Un graphe mal construit peut donner une impression de cohérence sans améliorer les réponses.
Il faut donc conserver les sources, tester les réponses sur un jeu de questions connu et suivre les coûts d'indexation. Le dépôt officiel de Microsoft GraphRAG documente l'architecture et ses modes de recherche. L'article de recherche From Local to Global décrit la méthode et ses premières évaluations.
Pour aller plus loin chez Kiveclair
Les prochains ateliers et rencontres techniques sont annoncés sur Kiveclair Events. Les outils et projets open source utilisés par la communauté sont recensés sur le Kiveclair Open Hub.