---
title: "GraphRAG (PT)"
source: "https://systems-analysis.info/int/GraphRAG_(PT)"
wiki: "systems-analysis.info/int"
article: "GraphRAG_(PT)"
language: "pt"
categories:
  - "Category:Large language models"
  - "Category:Portuguese"
  - "Category:Prompt engineering"
revision_id: 2739
wiki_created_at: 2026-09-06T23:10:18Z
wiki_modified_at: 2026-09-06T23:10:18Z
downloaded_at: 2026-09-07T22:53:02Z
---

# GraphRAG (PT)

**GraphRAG** é um paradigma avançado de **Retrieval-Augmented Generation (RAG)** que, em vez da busca tradicional por fragmentos de texto dispersos (chunks), utiliza um grafo de conhecimento (*Knowledge Graph, KG*)<sup>[\[1\]](https://systems-analysis.info/int/GraphRAG_(PT)#cite_note-zhang2025-1)</sup>. A estrutura de grafo representa explicitamente as conexões entre entidades e a hierarquia de conceitos de um domínio, permitindo que LLMs realizem extração de conhecimento lógico em múltiplos passos e formulem respostas mais contextualizadas e explicáveis<sup>[\[2\]](https://systems-analysis.info/int/GraphRAG_(PT)#cite_note-linkedin2024-2)</sup>.

A abordagem GraphRAG demonstra uma vantagem significativa sobre o RAG clássico ao lidar com consultas complexas e de múltiplos passos (*multi-hop*), nas quais a resposta depende da combinação de vários fatos distribuídos por diferentes documentos<sup>[\[3\]](https://systems-analysis.info/int/GraphRAG_(PT)#cite_note-hu2024-3)</sup>.

## Limitações do RAG clássico e as vantagens do grafo

O RAG clássico, baseado em busca vetorial sobre texto não estruturado, enfrenta várias limitações fundamentais que se tornam críticas em cenários corporativos complexos:

- **Ausência de conexões estruturais:** O RAG tradicional processa chunks de texto como unidades isoladas e não percebe as conexões explícitas entre eles. Isso o torna ineficaz para consultas *multi-hop*, onde a resposta exige percorrer uma cadeia de fatos (A→B→C), mas a busca encontra apenas os elos inicial e final (A e C), omitindo os intermediários<sup>[\[1\]](https://systems-analysis.info/int/GraphRAG_(PT)#cite_note-zhang2025-1)</sup>.
- **Ambiguidade semântica:** Em domínios altamente especializados (medicina, direito, engenharia), os termos possuem significados específicos. A busca vetorial, ao capturar o tema geral, pode interpretar incorretamente o papel de um objeto específico, levando à recuperação de contexto irrelevante.
- **Explicabilidade limitada:** O RAG clássico fornece fragmentos de documentos, mas não evidências explícitas de como esses fragmentos se conectam em uma cadeia lógica. O GraphRAG, por outro lado, torna esse processo transparente, fornecendo o caminho no grafo como prova e exigindo que as afirmações sejam vinculadas a fontes (citação)<sup>[\[4\]](https://systems-analysis.info/int/GraphRAG_(PT)#cite_note-webgpt-4)</sup>.

**GraphRAG** resolve esses problemas ao representar o conhecimento como uma rede de entidades e relações conectadas, o que permite ao sistema não apenas encontrar texto semelhante, mas também realizar inferências lógicas com base em um modelo formalizado do domínio de conhecimento.

## Arquitetura do GraphRAG

O pipeline geral do GraphRAG expande o RAG clássico, adicionando etapas para a construção e utilização de um grafo de conhecimento. Ele é dividido em duas fases principais: preparação offline e processamento de consultas online.

### Etapa 1: Ingestão e indexação (offline)

Nesta etapa, os dados brutos (documentos, bancos de dados) são transformados em duas representações complementares: uma baseada em grafo e outra vetorial.

1.  **Extração de conhecimento:** Fatos estruturados são extraídos dos textos por meio de um pipeline de PLN:
    - **Named Entity Recognition (NER):** Identificação de menções a entidades (pessoas, organizações, produtos).
    - **Entity Linking (EL):** Vinculação de menções a identificadores canônicos no grafo para resolver ambiguidades (por exemplo, "João S." e "J. Silva" se tornam um único nó)<sup>[\[5\]](https://systems-analysis.info/int/GraphRAG_(PT)#cite_note-yang2025-5)</sup>.
    - **Relation Extraction (RE):** Identificação de relações entre entidades (por exemplo, *Empresa X* −*adquiriu*→ *Startup Y*).
2.  **Modelagem e armazenamento do grafo:** As triplas extraídas (sujeito-predicado-objeto) são carregadas em um banco de dados de grafo. A escolha do modelo (**Property Graph** ou **RDF**) depende da tarefa. É crucial armazenar a **proveniência** (*provenance*) de cada fato — um link para o documento e o fragmento de texto original<sup>[\[3\]](https://systems-analysis.info/int/GraphRAG_(PT)#cite_note-hu2024-3)</sup>. Metadados sobre **tempo** (*valid_from/valid_to*) e **confiança** (*confidence*) também podem ser adicionados ao grafo.
3.  **Indexação híbrida:** Paralelamente ao grafo, é criado um índice vetorial para os fragmentos de texto originais. Isso permite combinar a busca estruturada no grafo com a busca semântica no texto.

### Etapa 2: Processamento da consulta e geração da resposta (online)

1.  **Análise da consulta:** A consulta do usuário é analisada para extrair entidades-chave, que servem como "pontos de entrada" no grafo.
2.  **Extração de subgrafo:** Em vez de buscar chunks individuais, o GraphRAG encontra um **subgrafo relevante** — uma porção conectada do grafo em torno dos "pontos de entrada" que contém informações para a resposta. Para isso, são utilizados algoritmos como a **travessia k-hop** ou o **Personalized PageRank (PPR)**<sup>[\[6\]](https://systems-analysis.info/int/GraphRAG_(PT)#cite_note-song2023-6)</sup>.
3.  **Busca híbrida e fusão de resultados:** Paralelamente à extração do subgrafo, é realizada uma busca no índice vetorial e/ou lexical (BM25). Os resultados do grafo e do texto são combinados e passados para a próxima etapa.
4.  **Rerranking (Re-ranking):** A lista combinada de candidatos (nós do grafo e chunks de texto) é reclassificada usando um modelo mais preciso (por exemplo, um cross-encoder) para selecionar as informações mais relevantes. Isso ajuda a filtrar o ruído e a aumentar a precisão<sup>[\[7\]](https://systems-analysis.info/int/GraphRAG_(PT)#cite_note-nogueira2019-7)</sup>.
5.  **Empacotamento do contexto e geração:** O contexto selecionado e reclassificado (subgrafo e textos) é convertido em um formato compreensível para o LLM (por exemplo, uma lista de afirmações com indicação das fontes). Esse contexto enriquecido é fornecido no prompt para a geração da resposta final.
6.  **Rastreabilidade e citação:** Graças à conexão "fato ↔ fonte" no grafo, a resposta gerada contém links precisos para os documentos que comprovam cada tese. Isso garante alta fundamentação e transparência.

## Tabela comparativa de componentes

| Componente/Aspecto              | Variantes de implementação                     | Vantagens                                                                                                                                                             | Desvantagens/Riscos                                                                                                                                                              | Quando é preferível                                                                              |
|---------------------------------|------------------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------------------------------------------|
| Modelo do grafo de conhecimento | **RDF/OWL**                                    | Ontologia rigorosa, inferências lógicas (reasoning), compatibilidade com Linked Open Data.                                                                            | Complexo para armazenar atributos de relações (tempo, fonte) sem entidades adicionais (reification).                                                                             | Domínios semanticamente ricos com ontologias existentes; necessidade de dedução.                 |
|                                 | **Property Graph** (Neo4j, etc.)               | Flexibilidade, propriedades arbitrárias em nós/arestas, alto desempenho.                                                                                              | Exige um esquema claro definido manualmente ou há risco de "desordem"; sem padrão unificado.                                                                                     | Início rápido com dados não estruturados; integração com documentos (banco de dados multimodal). |
| Extração de subgrafo            | **k‑hop BFS / DFS**                            | Cobre todos os nós até a profundidade k, simples de implementar.                                                                                                      | "Explosão" do grafo: crescimento exponencial do número de nós; pode retornar muito ruído.                                                                                        | Grafos pequenos ou travessia com profundidade de 1–2; estruturas hierárquicas.                   |
|                                 | **Personalized PageRank (PPR)**                | Foca em nós realmente conectados, filtrando o ruído<sup>[\[6\]](https://systems-analysis.info/int/GraphRAG_(PT)#cite_note-song2023-6)</sup>.                          | Pode omitir um nó distante, mas importante (se houver poucos caminhos, mas ele for crítico).                                                                                     | Redes complexas com muitos caminhos (grafo social, grafo de citações).                           |
| Busca híbrida                   | **Lista combinada** (fusão escalar com peso λ) | Ajustar os pesos λ permite balancear precisão/recall para a tarefa específica<sup>[\[8\]](https://systems-analysis.info/int/GraphRAG_(PT)#cite_note-hsu2025-8)</sup>. | Um λ fixo não é ideal para todos os tipos de consulta.                                                                                                                           | Na fase de prototipagem; quando se sabe que uma fonte é inerentemente mais importante.           |
|                                 | **Cross‑encoder rerank**                       | Aumento significativo na precisão; capacidade de considerar interdependências complexas.                                                                              | Aumenta a latência; requer dados para treinamento ou o uso de modelos pré-treinados<sup>[\[7\]](https://systems-analysis.info/int/GraphRAG_(PT)#cite_note-nogueira2019-7)</sup>. | Cenários de alta precisão (direito, medicina), onde o contexto mais relevante é crucial.         |
| Segurança dos dados             | **Filtragem de subgrafo** (RBAC/ABAC)          | Controle granular (até o nível do nó) impede vazamentos.                                                                                                              | "Zonas cegas": se um nó importante for removido, a resposta pode ficar incompleta.                                                                                               | Em ambientes corporativos com requisitos rigorosos de acesso (PII, GDPR, segredos comerciais).   |

Análise comparativa dos componentes-chave da arquitetura GraphRAG

## Rastreabilidade, confiança e segurança

Uma das principais vantagens do GraphRAG é a capacidade de apresentar **cadeias de evidência transparentes**. Em vez de uma resposta de "caixa-preta", o sistema pode mostrar o caminho do raciocínio: "O fato A é mencionado em \[doc1\]. Ele está ligado ao fato B em \[doc2\], e B, de acordo com \[doc3\], leva a C", o que aumenta a confiança do usuário e simplifica a depuração.

Além disso, a estrutura de grafo permite implementar um **controle de acesso** granular (RBAC/ABAC). Cada nó ou aresta no grafo pode ter um rótulo de acesso. Ao extrair o subgrafo, o sistema filtra automaticamente os dados aos quais o usuário não tem permissão, garantindo a segurança em domínios sensíveis (finanças, RH, medicina).

## Avaliação de qualidade

A avaliação de um sistema GraphRAG é multifacetada e inclui métricas para cada componente:

- **Métricas de extração de conhecimento:** F1-score para NER e RE, para avaliar a qualidade da construção do grafo.
- **Métricas de extração de subgrafo:** *Subgraph Recall@K* (proporção de casos em que os nós/arestas necessários para a resposta foram incluídos no subgrafo extraído) e *Path Precision/Recall* para questões multi-hop.
- **Métricas da resposta do LLM:**
  - **Faithfulness / Groundedness:** até que ponto a resposta se baseia estritamente no contexto fornecido.
  - **Avaliação humana:** avaliação por especialistas com base em critérios de correção, completude e coerência.

Para automatizar a avaliação, são utilizados benchmarks especializados (por exemplo, *WebQuestionsSP*, *GrailQA*) e frameworks (como o *RAGAS*)<sup>[\[9\]](https://systems-analysis.info/int/GraphRAG_(PT)#cite_note-ragas2024-9)</sup>.

## Ver também

- Retrieval-Augmented Generation (RAG)
- Grafo de conhecimento
- Banco de dados vetorial
- Embedding
- Agente de IA
- Avaliação e benchmarks de LLM

## Literatura

- Zhang, Q. et al. (2025). *A Survey of Graph Retrieval‑Augmented Generation for Customized Large Language Models*. <a href="https://arxiv.org/abs/2501.13958" class="external text" rel="nofollow">arXiv:2501.13958</a>.
- Xu, Z. et al. (2024). *Retrieval‑Augmented Generation with Knowledge Graphs for Customer Service Question Answering*. <a href="https://arxiv.org/abs/2404.17723" class="external text" rel="nofollow">arXiv:2404.17723</a>.
- Hu, Y. et al. (2024). *GRAG: Graph Retrieval‑Augmented Generation*. <a href="https://arxiv.org/abs/2405.16506" class="external text" rel="nofollow">arXiv:2405.16506</a>.
- Nakano, R. et al. (2021). *WebGPT: Browser‑assisted Question‑Answering with Human Feedback*. <a href="https://arxiv.org/abs/2112.09332" class="external text" rel="nofollow">arXiv:2112.09332</a>.
- Yang, R. et al. (2025). *KG‑IRAG: A Knowledge Graph‑Based Iterative Retrieval‑Augmented Generation Framework for Temporal Reasoning*. <a href="https://arxiv.org/abs/2503.14234" class="external text" rel="nofollow">arXiv:2503.14234</a>.
- Song, Y. et al. (2023). *Advancements in Complex Knowledge Graph Question Answering: A Survey*. <a href="https://doi.org/10.3390/electronics12214395" class="external text" rel="nofollow">DOI:10.3390/electronics12214395</a>.
- Nogueira, R.; Cho, K. (2019). *Passage Re‑ranking with BERT*. <a href="https://arxiv.org/abs/1901.04085" class="external text" rel="nofollow">arXiv:1901.04085</a>.
- Hsu, H.‑L.; Tzeng, J. (2025). *DAT: Dynamic Alpha Tuning for Hybrid Retrieval in Retrieval‑Augmented Generation*. <a href="https://arxiv.org/abs/2503.23013" class="external text" rel="nofollow">arXiv:2503.23013</a>.
- Lewis, P. et al. (2020). *Retrieval‑Augmented Generation for Knowledge‑Intensive NLP Tasks*. <a href="https://arxiv.org/abs/2005.11401" class="external text" rel="nofollow">arXiv:2005.11401</a>.
- Karpukhin, V. et al. (2020). *Dense Passage Retrieval for Open‑Domain Question Answering*. <a href="https://arxiv.org/abs/2004.04906" class="external text" rel="nofollow">arXiv:2004.04906</a>.
- Sun, H. et al. (2018). *Open‑Domain Question Answering Using Early Fusion of Knowledge Bases and Text (GRAFT‑Net)*. <a href="https://arxiv.org/abs/1809.00782" class="external text" rel="nofollow">arXiv:1809.00782</a>.
- Sun, H.; Bedrax‑Weiss, T.; Cohen, W. W. (2019). *PullNet: Open‑Domain Question Answering with Iterative Retrieval on Knowledge Bases and Text*. <a href="https://arxiv.org/abs/1904.09537" class="external text" rel="nofollow">arXiv:1904.09537</a>.
- He, X. et al. (2024). *G‑Retriever: Retrieval‑Augmented Generation for Textual Graph Understanding and Question Answering*. <a href="https://arxiv.org/abs/2402.07630" class="external text" rel="nofollow">arXiv:2402.07630</a>.
- Es, S.; James, J.; Espinosa‑Anke, L.; Schockaert, S. (2024). *RAGAs: Automated Evaluation of Retrieval Augmented Generation*. <a href="https://aclanthology.org/2024.eacl-demo.16/" class="external text" rel="nofollow">ACL:2024.eacl-demo.16</a>.

## Notas

1.  <span id="cite_note-zhang2025-1">↑ <sup>[1.0](https://systems-analysis.info/int/GraphRAG_(PT)#cite_ref-zhang2025_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/GraphRAG_(PT)#cite_ref-zhang2025_1-1)</sup> Zhang, Q., et al. *A Survey of Graph Retrieval-Augmented Generation for Customized Large Language Models*. arXiv, 2025. <a href="https://arxiv.org/abs/2501.13958" class="external text" rel="nofollow">arXiv:2501.13958</a>.</span>
2.  <span id="cite_note-linkedin2024-2">[↑](https://systems-analysis.info/int/GraphRAG_(PT)#cite_ref-linkedin2024_2-0) Xu, Z., et al. *Retrieval-Augmented Generation with Knowledge Graphs for Customer Service Question Answering*. SIGIR, 2024. <a href="https://arxiv.org/abs/2404.17723" class="external text" rel="nofollow">arXiv:2404.17723</a>; DOI: <a href="https://dl.acm.org/doi/10.1145/3626772.3661370" class="external text" rel="nofollow">10.1145/3626772.3661370</a>.</span>
3.  <span id="cite_note-hu2024-3">↑ <sup>[3.0](https://systems-analysis.info/int/GraphRAG_(PT)#cite_ref-hu2024_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/GraphRAG_(PT)#cite_ref-hu2024_3-1)</sup> Hu, Y., et al. *GRAG: Graph Retrieval‑Augmented Generation*. arXiv, 2024. <a href="https://arxiv.org/abs/2405.16506" class="external text" rel="nofollow">arXiv:2405.16506</a>; também em Findings of NAACL 2025: <a href="https://aclanthology.org/2025.findings-naacl.232/" class="external text" rel="nofollow">ACL Anthology</a>.</span>
4.  <span id="cite_note-webgpt-4">[↑](https://systems-analysis.info/int/GraphRAG_(PT)#cite_ref-webgpt_4-0) Nakano, R., et al. *WebGPT: Browser‑assisted question‑answering with human feedback*. arXiv, 2021. <a href="https://arxiv.org/abs/2112.09332" class="external text" rel="nofollow">arXiv:2112.09332</a>.</span>
5.  <span id="cite_note-yang2025-5">[↑](https://systems-analysis.info/int/GraphRAG_(PT)#cite_ref-yang2025_5-0) Yang, R., et al. *KG‑IRAG: A Knowledge Graph‑Based Iterative Retrieval‑Augmented Generation Framework for Temporal Reasoning*. arXiv, 2025. <a href="https://arxiv.org/abs/2503.14234" class="external text" rel="nofollow">arXiv:2503.14234</a>.</span>
6.  <span id="cite_note-song2023-6">↑ <sup>[6.0](https://systems-analysis.info/int/GraphRAG_(PT)#cite_ref-song2023_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/GraphRAG_(PT)#cite_ref-song2023_6-1)</sup> Song, Y., Li, W., Dai, G., Shang, X. *Advancements in Complex Knowledge Graph Question Answering: A Survey*. *Electronics*, 2023. DOI: <a href="https://doi.org/10.3390/electronics12214395" class="external text" rel="nofollow">10.3390/electronics12214395</a>.</span>
7.  <span id="cite_note-nogueira2019-7">↑ <sup>[7.0](https://systems-analysis.info/int/GraphRAG_(PT)#cite_ref-nogueira2019_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/GraphRAG_(PT)#cite_ref-nogueira2019_7-1)</sup> Nogueira, R., Cho, K. *Passage Re‑ranking with BERT*. arXiv, 2019. <a href="https://arxiv.org/abs/1901.04085" class="external text" rel="nofollow">arXiv:1901.04085</a>.</span>
8.  <span id="cite_note-hsu2025-8">[↑](https://systems-analysis.info/int/GraphRAG_(PT)#cite_ref-hsu2025_8-0) Hsu, H.‑L.; Tzeng, J. *DAT: Dynamic Alpha Tuning for Hybrid Retrieval in Retrieval‑Augmented Generation*. arXiv, 2025. <a href="https://arxiv.org/abs/2503.23013" class="external text" rel="nofollow">arXiv:2503.23013</a>.</span>
9.  <span id="cite_note-ragas2024-9">[↑](https://systems-analysis.info/int/GraphRAG_(PT)#cite_ref-ragas2024_9-0) Es, S.; James, J.; Espinosa Anke, L.; Schockaert, S. *RAGAs: Automated Evaluation of Retrieval Augmented Generation*. EACL (System Demonstrations), 2024. <a href="https://aclanthology.org/2024.eacl-demo.16/" class="external text" rel="nofollow">ACL:2024.eacl-demo.16</a>; também preprint: <a href="https://arxiv.org/abs/2309.15217" class="external text" rel="nofollow">arXiv:2309.15217</a>.</span>