O quê

GraphRAG é a variante de RAG — Retrieval-Augmented Generation proposta pela Microsoft Research em abril de 2024 (Edge et al.) que, antes de responder, constrói um grafo de conhecimento a partir do corpus — extraindo entidades, relações e resumos de comunidades — e usa essa estrutura para aumentar o prompt em tempo de consulta. Resolve uma fraqueza concreta do RAG clássico baseado em similaridade vetorial: perguntas globais do tipo “qual é o tema dominante deste corpus?” ou “resuma os principais conflitos em 10 mil documentos”.

RAG vanilla recupera os top-K trechos mais parecidos com a pergunta — ótimo para needle-in-haystack (“o que o contrato X diz sobre rescisão?”), mas péssimo para síntese global, porque nenhum trecho isolado contém a resposta: ela exige agregar o corpus inteiro.

Como funciona

Indexação (offline, pesada)

1. Chunking dos documentos.
2. Extração de grafo: um LLM percorre cada chunk e extrai entidades (nós) e relações (arestas), com descrições.
3. Detecção de comunidades: algoritmos de grafo (ex.: Leiden) agrupam nós densamente conectados em comunidades hierárquicas.
4. Sumários de comunidade: o LLM gera um resumo para cada comunidade, em vários níveis de granularidade. Esse é o passo que custa caro — pré-processar um corpus grande exige muitas chamadas de LLM.

Consulta (online)

• Query global: o sistema usa os sumários de comunidade como contexto, gera respostas parciais por comunidade (map) e as combina numa resposta final (reduce) — um map-reduce sobre o grafo.
• Query local: parte de entidades específicas e navega vizinhança no grafo (entidades + relações + chunks ligados), combinando precisão local com estrutura.

A avaliação original (com um LLM grader comparando pares) mostrou GraphRAG superando RAG baseline em completude e diversidade de respostas a perguntas globais, mantendo fidelidade semelhante (medida com SelfCheckGPT).

A diferença concreta com RAG vetorial

Vale fixar o contraste. No RAG clássico, a pergunta vira um vetor, busca-se por similaridade os K trechos mais próximos e despeja-se no prompt. Se a resposta exige agregar centenas de trechos (todos pouco parecidos com a pergunta individualmente), o top-K nunca os pega — a recuperação por similaridade é, por construção, local. GraphRAG inverte: o trabalho pesado de “ler tudo e organizar” acontece na indexação, condensado em sumários de comunidade que já são, eles próprios, sínteses parciais do corpus. Na consulta, basta combinar essas sínteses. É a diferença entre “achar a agulha” e “descrever o palheiro inteiro”.

Por que importa

• Habilita síntese, não só busca. Briefings, revisões de literatura, due diligence — tarefas que exigem “entender o todo” — ganham com o grafo.
• Estrutura explícita e auditável. O grafo de entidades é inspecionável; é mais fácil rastrear de onde veio uma conclusão do que com embeddings opacos.
• Lida com multi-hop. Perguntas que exigem conectar fatos espalhados (“como A se relaciona com C via B?”) são naturais em um grafo.

Estado em 2026

GraphRAG consolidou-se em domínios curatoriais, jurídicos, científicos e de inteligência — onde síntese sobre corpora grandes vale o custo de indexação. A Microsoft abriu o projeto, e surgiram alternativas (LightRAG, abordagens com grafos de propriedade em bancos como Neo4j). A tensão prática permanece o custo de pré-processamento: construir e re-sumarizar o grafo a cada atualização é caro. Padrões híbridos — RAG vetorial para queries locais, grafo para globais, sob orquestração agêntica e protocolos como MCP — Model Context Protocol — viraram a norma quando síntese profunda importa.

Tratamento de carta — proposta

GraphRAG Conceito · Chronoworks · custo

Build the Graph. Ao entrar em jogo, escolha 3 Conceitos no seu cemitério e ligue-os: eles formam uma “comunidade”.

Global Query. Pague 2 ⚡, Tap: olhe todos os Conceitos da comunidade e copie a habilidade de um deles este turno.

“Não pergunte qual documento. Pergunte o que todos eles, juntos, estão dizendo.”

A mecânica encena a diferença-chave: em vez de puxar uma carta, você consulta a estrutura inteira para extrair o tema.

Veja também

RAG — Retrieval-Augmented Generation · Function Calling / Tool Use · MCP — Model Context Protocol · Hallucination · Transformer