Knowledge Engineering
Comprendre/structurer/exploiter les connaissances

RAG vs GraphRAG : quelles différences ?

Le RAG et GraphRAG permettent tous les deux à un modèle de langage d’utiliser des connaissances externes.

Un système RAG classique recherche principalement des fragments de documents proches de la question.

GraphRAG ajoute une représentation des entités et des relations présentes dans le corpus.

La différence essentielle peut être résumée ainsi :

Le RAG retrouve des passages pertinents. GraphRAG cherche également à comprendre comment les informations sont reliées.

GraphRAG n’est pas automatiquement meilleur qu’un RAG classique. Il ajoute une architecture plus complexe, plus coûteuse à construire et plus difficile à maintenir.

Le choix doit dépendre des questions, du corpus et du besoin réel.

Ce que vous allez comprendre

À la fin de cette page, vous saurez :

Qu’est-ce que le RAG ?

Le Retrieval-Augmented Generation combine un système de recherche et un modèle de langage.

Le processus général est le suivant :

Documents
  ↓
Découpage en fragments
  ↓
Création d’un index
  ↓
Question utilisateur
  ↓
Recherche des fragments pertinents
  ↓
Transmission au LLM
  ↓
Réponse

Le RAG permet au modèle d’utiliser des contenus :

Exemple de RAG

Question :

Quelle est la durée de la formation SEO avancée ?

Le système retrouve le fragment :

La formation SEO avancée dure 21 heures.

Le LLM répond :

La formation SEO avancée dure 21 heures.

La réponse se trouve dans un passage précis.

Un RAG classique est adapté.

Qu’est-ce que GraphRAG ?

GraphRAG ajoute un graphe représentant :

Le processus peut être résumé ainsi :

Documents
  ↓
Extraction des entités
  ↓
Extraction des relations
  ↓
Résolution d’identités
  ↓
Construction du graphe
  ↓
Recherche dans le graphe et les textes
  ↓
LLM
  ↓
Réponse

GraphRAG devient particulièrement utile lorsque la réponse exige plusieurs relations.

Exemple de GraphRAG

Question :

Quelles personnes liées au projet Orion travaillent également sur des contrats concernant le client Beta ?

Le système doit suivre :

Personne
  → participe à → Projet Orion
  → travaille sur → Contrat
  → concerne → Client Beta

La réponse dépend de plusieurs entités et de plusieurs documents.

Une simple recherche vectorielle peut retrouver certains passages sans reconstruire correctement le chemin.

Comparaison générale

RAGGraphRAG
Recherche des fragmentsRecherche des fragments et relations
Utilise souvent un index vectorielUtilise un index et un graphe
Adapté aux réponses localesAdapté aux réponses relationnelles
Mise en œuvre plus simpleMise en œuvre plus complexe
Coût d’ingestion limitéCoût d’extraction plus élevé
Maintenance documentaireMaintenance documentaire et graphique
Moins de modélisationNécessite un modèle d’entités
Répond bien aux questions factuellesRépond mieux aux questions multi-étapes
Moins adapté à la vue globalePeut produire des synthèses globales

Les questions adaptées au RAG

Un RAG classique convient bien aux questions comme :

La réponse se trouve généralement dans un nombre limité de passages.

Les questions adaptées à GraphRAG

GraphRAG devient plus pertinent pour :

Ces questions nécessitent de suivre des relations.

Recherche locale et recherche globale

Recherche locale

Une question locale porte sur une entité précise.

Exemple :

Quels documents mentionnent le produit X200 ?

Un RAG avec de bonnes métadonnées peut suffire.

Un graphe peut cependant améliorer la recherche :

Produit X200
  → mentionné dans → Document 458
  → concerné par → Incident 784
  → couvert par → Contrat Alpha

Recherche globale

Une question globale porte sur l’ensemble du corpus.

Exemple :

Quels sont les principaux groupes d’acteurs et de projets présents dans ces rapports ?

Un RAG classique peut retrouver quelques passages.

GraphRAG peut :

  1. détecter des communautés ;
  2. résumer chaque groupe ;
  3. comparer les résumés ;
  4. produire une synthèse générale.

Architecture d’un RAG classique

1. Ingestion des documents

Les sources sont collectées et nettoyées.

2. Découpage

Les documents sont divisés en fragments.

3. Embeddings

Chaque fragment est transformé en vecteur.

4. Indexation

Les vecteurs et métadonnées sont stockés.

5. Recherche

Les fragments proches de la question sont sélectionnés.

6. Génération

Le LLM produit une réponse.

Architecture de GraphRAG

GraphRAG ajoute plusieurs étapes.

1. Extraction des entités

Exemples :

Marie Dupont
Entreprise Alpha
Projet Orion
Client Beta

2. Extraction des relations

Marie Dupont → travaille pour → Entreprise Alpha
Entreprise Alpha → participe à → Projet Orion
Projet Orion → concerne → Client Beta

3. Résolution d’entités

Le système doit rapprocher :

Entreprise Alpha
Alpha SAS
Société Alpha

4. Construction du graphe

Les nœuds et relations sont stockés.

5. Détection de communautés

Les groupes fortement reliés sont identifiés.

6. Résumés

Des résumés peuvent être créés pour chaque groupe.

7. Recherche

La question est traitée à partir :

Le coût de construction

Coût du RAG

Le coût principal concerne :

Coût de GraphRAG

GraphRAG ajoute :

Le coût peut être significativement supérieur.

La qualité des données

Un RAG dépend fortement de :

GraphRAG dépend également de :

GraphRAG ajoute donc de nouvelles possibilités, mais aussi de nouvelles sources d’erreurs.

Exemple : corpus juridique

Question simple

Quelle est la date d’entrée en vigueur de cet article ?

Un RAG documentaire peut suffire.

Question relationnelle

Quelles décisions rendues après la réforme interprètent cet article dans les litiges concernant les contrats professionnels ?

Le système doit relier :

Décision
  → rendue après → Réforme
  → interprète → Article
  → concerne → Litige
  → porte sur → Contrat professionnel

GraphRAG devient plus pertinent.

Exemple : support technique

Question simple

Que signifie le code d’erreur 458 ?

Un RAG peut retrouver la définition.

Question relationnelle

Quels incidents similaires concernent le même composant, présentent le même symptôme et ont été résolus par la même procédure ?

Le graphe doit relier :

Incident
  → concerne → Composant
  → présente → Symptôme
  → résolu par → Procédure

Exemple : recherche scientifique

Question simple

Quelle méthode est utilisée dans cet article ?

Le RAG retrouve le passage.

Question globale

Quelles équipes utilisent les mêmes méthodes sur des jeux de données différents et obtiennent des résultats contradictoires ?

GraphRAG peut relier :

Auteur
  → appartient à → Institution
  → écrit → Article
  → utilise → Méthode
  → analyse → Jeu de données
  → produit → Résultat

Le rôle des métadonnées

Un bon RAG avec des métadonnées peut résoudre de nombreuses questions sans graphe.

Exemples de métadonnées :

produit : X200
type_document : procédure
version : 4.2
date_validité : 2026-12-31
client : Alpha
statut : validé

Avant de construire GraphRAG, il faut vérifier si :

ne suffiraient pas.

Recherche hybride

Un RAG performant peut combiner :

Cette architecture peut répondre à des questions complexes sans construire un graphe complet.

Architecture hybride RAG et GraphRAG

Il n’est pas nécessaire de choisir exclusivement l’un ou l’autre.

Une architecture peut utiliser :

Question
  ↓
Classification de la question
  ├── Question documentaire → RAG
  ├── Question relationnelle → Graphe
  └── Question mixte → RAG + Graphe

Exemple

Question :

Quelle procédure s’applique au produit couvert par le contrat du client Alpha ?

Le graphe identifie :

Client Alpha
  → possède → Contrat 458
  → couvre → Produit X200

Le RAG retrouve ensuite :

Procédure applicable au produit X200

Le graphe trouve la bonne entité.

Le RAG fournit le contenu détaillé.

GraphRAG et ontologie

Une ontologie améliore GraphRAG en définissant :

Exemple :

Personne → travaille pour → Organisation

Elle évite des relations incohérentes comme :

Produit → travaille pour → Ville

GraphRAG et règles

Le graphe représente les faits.

Les règles peuvent produire une décision.

Exemple :

Produit X200 → couvert par → Contrat Alpha
Contrat Alpha → statut → Expiré

Règle :

SI le contrat est expiré
ALORS la garantie standard ne s’applique pas.

Le LLM formule ensuite la réponse.

Exactitude et hallucinations

Ni RAG ni GraphRAG ne garantissent une réponse exacte.

Erreurs possibles dans un RAG

Erreurs possibles dans GraphRAG

GraphRAG déplace une partie du risque vers la construction du graphe.

Évaluation du RAG

Les principaux critères comprennent :

Évaluation de GraphRAG

Il faut également mesurer :

Quand commencer par un RAG ?

Commencez par un RAG lorsque :

Quand envisager GraphRAG ?

GraphRAG devient pertinent lorsque :

Méthode de décision

Étape 1 — Construire un jeu de questions

Séparez :

Étape 2 — Tester un RAG simple

Mesurez les résultats.

Étape 3 — Analyser les échecs

Les échecs viennent-ils :

Étape 4 — Ajouter progressivement une couche graphe

Commencez par quelques types d’entités et de relations.

Étape 5 — Comparer

GraphRAG doit apporter une amélioration mesurable.

Erreurs fréquentes

Construire GraphRAG par effet de mode

La complexité doit répondre à un besoin.

Négliger un RAG simple

Un bon RAG hybride peut suffire.

Extraire toutes les relations

La majorité peut être inutile.

Ne pas définir d’ontologie

Les relations deviennent incohérentes.

Ne pas conserver les sources

Les chemins ne peuvent pas être vérifiés.

Comparer des architectures sur des questions différentes

Les tests doivent utiliser le même jeu de référence.

Considérer GraphRAG comme automatiquement supérieur

Il peut être moins performant sur des questions simples.

À retenir

  1. Le RAG recherche principalement des fragments de documents.
  2. GraphRAG ajoute les entités et leurs relations.
  3. Le RAG convient aux questions documentaires simples.
  4. GraphRAG convient davantage aux questions relationnelles.
  5. GraphRAG coûte plus cher à construire et à maintenir.
  6. Un RAG avec de bonnes métadonnées peut résoudre de nombreux problèmes.
  7. Une ontologie améliore la cohérence de GraphRAG.
  8. Une architecture hybride peut utiliser les deux méthodes.
  9. Ni RAG ni GraphRAG ne garantissent une réponse exacte.
  10. La valeur de GraphRAG doit être mesurée sur des questions réelles.

Vérifiez votre compréhension

Quelle est la principale différence ?

Le RAG retrouve des passages. GraphRAG représente aussi les relations entre les entités.

Quand un RAG classique suffit-il ?

Lorsque la réponse se trouve dans quelques fragments clairement identifiables.

Quand GraphRAG devient-il utile ?

Lorsque la réponse nécessite plusieurs entités, documents ou relations.

GraphRAG remplace-t-il la recherche vectorielle ?

Non. Il peut la compléter.

Pourquoi GraphRAG coûte-t-il davantage ?

Parce qu’il faut extraire, valider et maintenir les entités et les relations.

Quelle architecture choisir pour commencer ?

Un RAG simple ou hybride, puis une couche graphe si les tests montrent un besoin relationnel.

Questions fréquentes

GraphRAG est-il toujours plus précis ?

Non. Il peut ajouter des erreurs d’extraction ou de résolution d’entités.

Peut-on utiliser GraphRAG avec un petit corpus ?

Oui, mais le gain peut être faible par rapport au coût.

Un graphe doit-il contenir tous les documents ?

Non. Il peut représenter uniquement les entités et relations utiles.

Faut-il une ontologie ?

Elle n’est pas obligatoire, mais elle améliore généralement la qualité du graphe.

Peut-on combiner SQL, RAG et graphe ?

Oui. Une architecture hybride peut choisir la meilleure source selon la question.

Comment savoir si GraphRAG est rentable ?

En comparant les performances, les coûts et les erreurs sur un jeu de questions réel.

Continuer

Comprendre Knowledge Engineering, RAG et LLM

Découvrir GraphRAG en détail

Comprendre les graphes de connaissances