.webp){kind=small}
Se você construiu algo com geração aumentada de recuperação (RAG) nos últimos dois anos, você viveu sua frustração central: você corta seus documentos em pedaços, incorpora-os, recupera os poucos primeiros que se parecem com a pergunta e os entrega ao modelo. Para “Qual foi a nossa política de reembolso do terceiro trimestre?” Isso funciona lindamente. Para “Quais são os temas recorrentes em dois anos de reclamações de clientes?” não dá certo - porque nenhum pedaço contém a resposta.
A solução da moda é GraphRAG: em vez de alimentar o modelo com trechos isolados, você primeiro constrói um gráfico de conhecimento das entidades e relacionamentos em seu corpus e, em seguida, usa essa estrutura como contexto. O campo é sedutor. Mas os argumentos de venda sedutores merecem um exame minucioso, por isso analisei as evidências – o artigo original da Microsoft mais quatro estudos de benchmark independentes – para responder a uma pergunta simples: quando você troca pedaços de texto por um gráfico de contexto, as respostas realmente ficam melhores?
A versão resumida: Sim, substancialmente – mas apenas para o tipo certo de pergunta, e não de graça. Deixe-me mostrar os recibos.
Por que pedaços de texto atingem uma parede
O vetor padrão RAG recupera as k passagens mais semelhantes à sua consulta. Esse projeto tem três pontos cegos estruturais:
Não é possível conectar os pontos. Quando uma resposta exige a união de fatos que vivem em passagens diferentes através de uma entidade compartilhada, os pedaços incorporados isoladamente nunca revelam a ligação.
É cego para questões globais. “Quais são os temas principais?” precisa de todo o corpus, mas a pesquisa por similaridade retorna apenas alguns pedaços que se assemelham superficialmente à questão.
Ele separa o contexto nos limites dos blocos. Os relacionamentos e a hierarquia dos quais o raciocínio complexo depende são exatamente o que a fragmentação descarta.
A Microsoft Research enquadrou isso claramente quando introduziu o GraphRAG: Baseline RAG “luta para conectar os pontos” e tem um desempenho ruim quando solicitado a “compreender holisticamente conceitos semânticos resumidos em grandes coleções de dados”.
O que um gráfico de contexto muda
GraphRAG ataca o problema antes que qualquer pergunta seja feita. Durante a indexação, um modelo de linguagem grande (LLM) lê cada pedaço e extrai entidades, relacionamentos e declarações, reunindo-os em um gráfico de conhecimento ponderado. Em seguida, ele executa a detecção de comunidade (o algoritmo de Leiden) para agrupar o gráfico em uma hierarquia de tópicos relacionados e pré-escreve um resumo em linguagem natural para cada comunidade.
No momento da consulta, esses resumos fazem o trabalho pesado. Cada comunidade relevante elabora uma resposta parcial (a etapa do “mapa”), as parciais são classificadas e mescladas (a etapa de “redução”) e o modelo sintetiza uma resposta final baseada na estrutura, e não em alguns trechos escolhidos a dedo. Variantes como HippoRAG seguem um caminho diferente, usando o gráfico mais uma caminhada personalizada no PageRank para encontrar o passagens corretas - mas a ideia central é a mesma: deixe os relacionamentos, e não apenas a similaridade de cossenos, decidirem que contexto o modelo vê.
A evidência: Quatro estudos, um padrão
1. Criação de sentido global: a vitória do título
A Microsoft enfrentou o GraphRAG contra o ingênuo RAG em questões globais de “dar sentido a todo o corpus” em conjuntos de dados de milhões de tokens, com um LLM atuando como juiz em três eixos: abrangência, diversidade e capacitação.
GraphRAG ganhou 72 a 83% das comparações de abrangência e 62 a 82% das comparações de diversidade contra o vetor RAG. Seus resumos de mais alto nível usaram até 97% menos tokens do que o processamento direto do texto fonte.
Isso não é uma melhoria no erro de arredondamento. Exatamente no tipo de pergunta que quebra o RAG do pedaço de texto, o gráfico vence duas em três vezes ou melhor.
2. Recuperação multi-hop: o gráfico encontra quais pedaços faltam
A segunda evidência é sobre a qualidade da recuperação: a passagem de apoio correta chega aos melhores resultados? Nos benchmarks de controle de qualidade multi-hop padrão (MuSiQue, HotpotQA, 2WikiMultiHopQA), a recuperação guiada por gráfico aumenta drasticamente o Recall@5:
A média do Recall@5 sobe de 73,4% (RAG ingênuo) para 87,8% (guiado por gráfico), um ganho de +19,6 pontos.
Os maiores saltos ocorrem nos conjuntos de documentos cruzados mais difíceis: +31 pontos no MuSiQue e +28 pontos no 2Wiki.
HippoRAG relata uma melhoria de precisão de até 20% no controle de qualidade multi-hop, com custo 10–20× menor e 6–13× mais rápido do que os métodos de recuperação iterativos.
3. O confronto direto controlado - onde fica honesto
É aqui que a história ganha nuances. Um estudo de 2025 da Michigan State e Meta executou RAG contra quatro famílias GraphRAG sob um protocolo unificado – fragmentação, incorporação e geração idênticas – e não encontrou nenhum vencedor. As duas abordagens são complementares:
Na pesquisa factual de salto único (questões naturais), o RAG simples avançou (F1 64,8 vs. 63,0 para o melhor método gráfico).
No raciocínio multi-hop (MultiHop-RAG), a recuperação guiada por gráfico foi colocada na frente (precisão geral de 70,3 vs. 67,0).
A lição: um gráfico de contexto não é uma atualização universal. É especializado e compensa precisamente quando as questões exigem raciocínio entre peças.
4. Quando usar gráficos: o veredicto do tipo de tarefa
O benchmark mais recente, GraphRAG-Bench (ICLR 2026), propôs-se a responder “Em quais cenários as estruturas gráficas fornecem benefícios mensuráveis?” Seus números de precisão por tarefa mapeiam o limite de forma clara:
Recuperação simples de fatos: pedaços de texto 60,9 versus gráfico 60,1 – efetivamente um empate. A estrutura do gráfico é uma sobrecarga que a consulta não precisa.
Raciocínio complexo: Gráfico 53,4 vs. pedaços 42,9 - uma vitória no gráfico de +10 pontos.
Resumo contextual: Gráfico 64,4 vs. pedaços 51,3 - uma vitória no gráfico de +13 pontos.
A visão geral
Leia de cima a baixo, o
O padrão é inconfundível: a vantagem do gráfico aumenta com a profundidade do raciocínio da questão, enquanto os pedaços de texto se mantêm firmes em fatos isolados.
O problema: custo e o problema do juiz LLM
Duas advertências evitam que isso seja um golpe certeiro, e ignorá-las é como as equipes acabam decepcionadas.
Construir o gráfico é caro. Ter um LLM extraindo entidades e relacionamentos de um corpus inteiro não é barato. Uma análise colocou a construção do índice em cerca de US$ 48 em relação ao GPT-4o para um corpus moderado, muito acima de um índice vetorial vanilla. (O próprio acompanhamento da Microsoft, LazyGraphRAG, adia a extração para o tempo de consulta e reduz esse valor para cerca de 0,1% do custo – uma admissão tácita de que o orçamento original é impraticável para muitas implantações.)
Muitas das vitórias são julgadas por outro LLM – e os juízes do LLM são tendenciosos. Uma auditoria independente encontrou falhas sistemáticas neste estilo de avaliação: viés de posição (trocar a resposta que aparece primeiro pode alterar a taxa de vitórias em mais de 30 pontos), viés de comprimento e viés de teste (comparações idênticas discordam entre as execuções). Após a correção, a taxa de vitória de 66,7% relatada por um método popular caiu para cerca de 39% – abaixo da linha de equilíbrio de 50%.
A conclusão não é “a pesquisa está errada”. É que os grandes ganhos – a precisão multi-hop de +20%, os saltos de recall de +15 a 30 pontos – são robustos, enquanto as estreitas margens de abrangência merecem uma segunda olhada cética com métricas baseadas em referência.
Então, quando você deve usar um gráfico de contexto?
Livre-se do exagero e a decisão será agradavelmente prática.
Use um gráfico de contexto quando: Suas perguntas forem de natureza multi-hop, global ou de sentido; você precisa de respostas abrangentes e com múltiplas perspectivas; e seu corpus está ricamente interconectado (bibliotecas de pesquisa, arquivos de casos, históricos de incidentes, bases de conhecimento).
Atenha-se a blocos de texto quando: Suas consultas são, em sua maioria, pesquisas de um único fato; seu corpus é pequeno ou plano; e o custo de indexação, a latência e a simplicidade operacional superam um aumento marginal de qualidade.
O melhor de tudo é que seja híbrido: os estudos sistemáticos convergem para a mesma recomendação: encaminhar cada consulta para o método certo ou fundir as evidências de ambos. A combinação da recuperação de gráficos e blocos supera consistentemente qualquer um deles sozinho. Você não precisa escolher uma religião; você tem que construir um roteador.
O resultado final
Um gráfico de contexto não é mágico e não é óleo de cobra. É um instrumento direcionado. Apresente-lhe uma pergunta que exija a conexão de fatos dispersos ou a síntese de um corpus inteiro e seu desempenho superará decisivamente os blocos de texto. Entregue “qual é o número de telefone na página 3” e você pagou pela indexação desnecessária.
As equipes que vencerem com o GraphRAG em 2026 não serão aquelas que farão gráficos de tudo. Serão eles que saberão quais perguntas merecem um gráfico - e construirão pipelines de forma inteligente o suficiente para saber a diferença.
Dattaraj Rao é arquiteto de P&D na Persistent Systems
| ℹ️ | Nota do editor: O AR NEWS 24H publica conteúdos baseados em fontes externas. As informações e opiniões presentes no material original são de responsabilidade de seus respectivos autores. Este conteúdo foi traduzido e adaptado para o português do Brasil com o auxílio de ferramentas automatizadas. |
.jpg)
