GraphRAG est la génération augmentée par recherche (RAG) étendue par un graphe de connaissances : lors de l’ingestion des documents, le système extrait des entités (entreprises, personnes, produits, substances, contrats…) et leurs relations, et les stocke sous forme de graphe à côté de l’index vectoriel habituel. À la requête, le graphe permet à l’IA de suivre des connexions entre documents au lieu de simplement retrouver des passages similaires.
Où le RAG vectoriel pur atteint ses limites
Le RAG classique vectorise des fragments de documents et retrouve les passages les plus similaires à la question. Cela fonctionne pour les recherches ponctuelles — que dit la clause 7.2 ? — mais échoue sur les questions dont la réponse est répartie sur plusieurs documents : lesquels de nos fournisseurs sont concernés par les changements de clauses 2025 ? Aucun fragment ne contient cette réponse — aucune recherche par similarité ne peut donc la retrouver.
Comment fonctionne GraphRAG
- Extraction d’entités et de relations. Pendant l’ingestion, un LLM extrait des entités et relations typées, validées contre une ontologie (un schéma fixe de types et de relations autorisés) pour garder un graphe propre.
- Résolution d’entités. Les mentions « Nestlé SA », « Nestlé » et « NESN » sont fusionnées en un nœud canonique, pour que les faits sur la même chose se connectent.
- Résumés de communautés. Les grappes d’entités liées sont pré-résumées — une table des matières pour les questions larges.
- Recherche guidée par le graphe. Une requête trouve d’abord des entités d’amorçage, puis traverse leurs relations pour récupérer des faits que la recherche vectorielle pure ne trouverait jamais : le raisonnement multi-sauts.
GraphRAG vs RAG vectoriel
| RAG vectoriel | GraphRAG | |
|---|---|---|
| Recherches dans un document | Excellent | Excellent |
| Questions multi-sauts entre documents | Faible | Fort |
| « Comparer X sur le portefeuille » | Rate des documents | Traverse les relations |
| « Que savons-nous de… » | Fragmentaire | Résumés de communautés |
| Coût d’ingestion | Bas | Plus élevé (extraction) |
GraphRAG dans SovraRAG
SovraRAG combine recherche sémantique et par mots-clés multilingue avec un graphe de connaissances construit à partir de vos documents. Les questions complexes déclenchent en plus un raisonnement agentique qui explore la question étape par étape à travers le graphe et le corpus. Dans nos benchmarks multi-sauts internes (type HotpotQA, recherche sur corpus complet), le pipeline GraphRAG agentique a amélioré la précision exact-match d’environ un tiers par rapport à une baseline vectorielle single-pass — tout en réduisant la latence médiane. Tout le pipeline, extraction de graphe comprise, tourne sur infrastructure suisse.