Graph RAG : relier les connaissances pour des reponses plus fiables

Le Graph RAG combine recuperation vectorielle classique et graphe de connaissances pour ameliorer la pertinence et la tracabilite des reponses des LLM. En reliant explicitement entites et concepts, il reduit les hallucinations sur les questions multi-sauts.

Principe

1. Les documents sont decoupes et embeddes dans un index vectoriel.
2. Un graphe relie les entites extraites (acteurs, concepts, dates).
3. La recuperation combine similarite semantique et parcours du graphe.

En pratique

Des implementations legeres comme LightRAG rendent l’approche accessible sans infrastructure lourde, ce qui la rend pertinente pour des projets de veille ou de documentation technique.