GraphRAG en producción: cuándo usar grafos en RAG y cómo evitar una arquitectura innecesaria

GraphRAG es un patrón de recuperación aumentada en el que un grafo de entidades, relaciones y evidencias complementa —no reemplaza automáticamente— a los índices vectoriales o léxicos. Su ventaja aparece cuando la respuesta depende de conexiones explícitas, varios saltos, comunidades de documentos o una síntesis sobre un corpus completo.

La definición también marca el límite: si la pregunta se responde con un párrafo bien recuperado, un grafo añade ingestión, almacenamiento, actualización y observabilidad sin beneficio. La etiqueta GraphRAG no convierte una extracción dudosa en conocimiento fiable.

Matriz de decisión: vectorial, híbrido o GraphRAG

Usa la siguiente matriz como hipótesis inicial y no como sustituto de una evaluación:

RAG vectorial: elige esta opción cuando las preguntas buscan pasajes similares, el corpus cambia con frecuencia, necesitas una operación sencilla y la trazabilidad por chunk es suficiente. Es el baseline más barato de mantener.

RAG híbrido: combina BM25 o búsqueda léxica con vectores y, si hace falta, reranking. Es preferible cuando hay nombres propios, códigos, números, términos exactos y lenguaje natural mezclados. La [guía de búsqueda híbrida](/busqueda-hibrida-rag-bm25-vectorial-reranking/) ayuda a establecer este baseline antes de añadir estructura.

GraphRAG: pruébalo cuando las consultas exigen relaciones entre entidades, varios saltos, navegación por dependencias, agrupación temática o síntesis global sobre un corpus grande. Exige que las entidades sean relativamente estables y que la procedencia se pueda auditar.

No uses GraphRAG solo porque el equipo ya tenga Neo4j, porque un diagrama se vea bien o porque el LLM pueda generar triples. La pregunta decisiva es: ¿qué consultas fallan en el baseline y qué señal del grafo debería corregirlas? Si no puedes responderla, conserva la arquitectura simple.

Modelo de datos mínimo y procedencia

Un modelo práctico separa Document, Chunk, Entity, Relation, Claim y Community. Document contiene `document_id`, revisión, tenant, clasificación, periodo y estado. Chunk contiene `chunk_id`, texto, offsets y embedding. Entity contiene `entity_id`, tipo, nombre canónico y aliases. Relation conecta entidades, pero apunta a los chunks que la justifican. Claim conserva una afirmación y su evidencia, no solo un score.

Recuperación segura: ACL antes del grafo

La consulta debe clasificarse antes de recuperar: ¿busca una entidad concreta, una relación o una síntesis global? El runtime obtiene identidad, tenant, región, retención y ACL del contexto autenticado. Esos datos se convierten en un filtro obligatorio para documentos, chunks, entidades, relaciones y comunidades.

No recorras el grafo completo y filtres al final. Una arista entre dos entidades puede revelar indirectamente que existe un documento restringido. Construye una vista o subgrafo autorizado, aplica allowlist de tipos de relación y limita profundidad, número de vecinos, tamaño de comunidad y presupuesto de tiempo.

El siguiente pseudocódigo seguro es ejecutable como contrato conceptual: el adaptador del grafo debe rechazar cualquier llamada sin `tenant_id` y ACL. La búsqueda textual y la navegación gráfica reciben el mismo filtro, y el resultado conserva procedencia.

from dataclasses import dataclass

@dataclass(frozen=True)
class Principal:
    tenant_id: str
    allowed_labels: frozenset[str]

def retrieve_graph(query: str, principal: Principal, graph, text_index):
    if not principal.tenant_id or not principal.allowed_labels:
        raise ValueError("contexto de autorización incompleto")
    acl = {"tenant_id": principal.tenant_id,
           "labels": tuple(sorted(principal.allowed_labels))}
    # El filtro se construye desde la sesión autenticada, nunca desde query.
    seeds = text_index.search(query, filter=acl, limit=12)
    entity_ids = {item.entity_id for item in seeds if item.entity_id}
    allowed = graph.authorized_subgraph(acl, entity_ids, max_hops=2)
    return graph.expand(allowed, relation_allowlist={"depends_on", "owned_by"},
                        max_nodes=80, include_provenance=True)

En un sistema real, `authorized_subgraph` debe hacer cumplir la política en el backend y no ser un simple método de conveniencia. El índice textual, el grafo y el generador de respuesta deben registrar la misma identidad y versión de ACL. Si falta una evidencia o no se puede verificar un permiso, falla cerrado o devuelve una respuesta parcial claramente marcada.

La actualización incremental necesita una política de borrado. Cuando llega una solicitud de eliminación o cambia la ACL, elimina o invalida documentos, chunks, aristas derivadas, comunidades y cachés relacionados. Un grafo que conserva una relación huérfana puede ser una fuga aunque el texto original ya no aparezca.

Controla P50 y P95 de ingestión y consulta, número de nodos visitados, tokens de contexto, coste por respuesta, porcentaje de fallback vectorial y tasa de respuestas sin cita. Guarda trazas suficientes para reconstruir la ruta, pero redacta texto sensible y limita retención.

Evaluación: demostrar que el grafo merece existir

Construye un conjunto de preguntas etiquetado por tipo: factual local, relacional de uno o varios saltos, comparación, síntesis global, pregunta sin respuesta y consulta fuera del tenant. Compara vectorial, híbrido y GraphRAG con la misma política de generación y el mismo presupuesto de contexto.

Métricas mínimas: recall@k de evidencia; exactitud de respuesta y de citas; cobertura de claims; coste por consulta; latencia P50/P95; tasa de errores y fallback; y seguridad, incluyendo cero resultados de otro tenant y cero citas a documentos revocados. Reporta intervalos o tamaños de muestra, no solo una media favorable.

La [guía de evaluación RAG en producción](/evaluacion-rag-produccion-metricas-datasets/) puede servir de base para datasets y regresiones. Añade casos adversariales: prompt injection en un chunk, relaciones contradictorias, entidad homónima, comunidad parcialmente autorizada, borrado reciente y claim con fecha caducada.

Define una regla de salida antes del experimento: por ejemplo, GraphRAG debe mejorar recall relacional y exactitud de citas sin superar un presupuesto de latencia y coste, y no puede degradar seguridad. Si no cruza ese umbral, documenta el resultado y conserva el baseline.

Conclusión: estructura solo cuando paga su alquiler

GraphRAG es una herramienta para hacer explícitas relaciones y síntesis que un ranking de chunks no captura bien. Su valor no está en dibujar más nodos, sino en producir respuestas mejores y auditables para una clase concreta de preguntas.

La decisión profesional empieza por un baseline, un dataset y una política de seguridad. Añade extracción, comunidades y recorridos gradualmente; conserva el texto y sus citas; mide actualización, coste y latencia; y acepta que la respuesta correcta puede ser no introducir un grafo. La arquitectura más sencilla que gana la evaluación suele ser la más sostenible.