Graphs RAG at Scale: Beyond Retrieval-Augmented Generation With Labeled Property Graphs and Resource Description Framework for Complex and Unknown Search Spaces

Este artigo apresenta um novo framework de Graph RAG que combina grafos de propriedades rotuladas (LPG) e o Framework de Descrição de Recursos (RDF) para superar as limitações do RAG tradicional em espaços de busca complexos e desconhecidos, oferecendo recuperação dinâmica de documentos, conversão eficiente de dados semiestruturados em triplas RDF e tradução precisa de texto para Cypher, resultando em desempenho superior em precisão e raciocínio.

O essencial

Imagine que você tem uma biblioteca gigante, mas em vez de livros organizados em prateleiras, tudo está misturado em caixas de ferramentas, mapas do tesouro e diários escritos em códigos secretos. Essa é a situação de muitas empresas hoje: elas têm dados valiosos (como informações sobre fundos de investimento), mas esses dados estão em formatos complexos e desorganizados (como arquivos JSON aninhados).

O artigo que você apresentou, "Graph RAG at Scale", é como um manual de instruções para construir um super-robô bibliotecário capaz de navegar nessa bagunça e encontrar a resposta exata que você precisa, sem inventar coisas.

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Problema: O Robô que Alucina

Os "Robôs Inteligentes" atuais (chamados de IAs ou LLMs) são como estudantes brilhantes que leram tudo até uma certa data, mas não têm acesso à internet em tempo real.

• O problema: Se você perguntar algo novo ou muito específico, eles podem tentar "adivinhar" a resposta baseada no que aprenderam antes. Isso se chama alucinação (inventar fatos que parecem reais, mas não são).
• A solução antiga (RAG Tradicional): Para evitar isso, criamos um sistema que busca documentos na biblioteca antes de responder. Imagine que o robô pega 5 ou 10 livros aleatórios que parecem ter a palavra-chave da sua pergunta e lê eles.
• O defeito: Se a biblioteca for gigante e você não souber exatamente qual livro procurar, o robô pode pegar os livros errados, ou pegar tantos que fica confuso. Além disso, se os dados forem tabelas ou listas (não apenas texto corrido), esse sistema de "pegar livros" falha miseravelmente.

2. A Nova Solução: O Mapa do Tesouro (Graph RAG)

Os autores propõem parar de tratar os dados como "livros" e começar a tratá-los como um Mapa do Tesouro Interconectado. Em vez de apenas procurar palavras, o robô segue as conexões entre as informações.

Eles testaram duas formas de fazer esse mapa:

A. O Método RDF (O Mapa de Pontos e Setas)

Imagine que cada fato é um ponto no mapa e a relação entre eles é uma seta.

• Como funciona: Eles pegam os dados brutos e transformam em "triplets" (Tríades): Quem? O que? Qual valor?
  • Exemplo: (Fundo AMCAP) -> (tem tipo) -> (Crescimento).
• A vantagem: É como ter um índice perfeito. Se você pergunta "Quais fundos são de Crescimento?", o robô segue a seta "tem tipo" e encontra todos os pontos conectados. É muito preciso e não inventa nada, pois segue a estrutura rígida dos dados.

B. O Método LPG (O Mapa com Etiquetas e Caminhos)

Esta é a estrela do show. Imagine que o mapa não é apenas pontos e setas, mas um sistema de metrô bem organizado.

• Como funciona: Eles criam estações (Nós) e linhas (Relações) com nomes claros.
  • Em vez de apenas conectar pontos, eles dizem: "Esta estação é um Fundo, esta linha é Gerenciado Por, e esta outra é Benchmark".
• O Truque Mágico (Text-to-Cypher): O robô aprende a traduzir sua pergunta em português diretamente para as instruções do metrô (uma linguagem chamada Cypher).
  • Você diz: "Quero saber quem gerencia o fundo AMCAP".
  • O robô traduz para: "Pegue a estação AMCAP, siga a linha 'Gerenciado Por' e me diga o nome da próxima estação".
• Por que é melhor? Como o mapa foi desenhado com cuidado (esquema), o robô não precisa "adivinhar" quantos livros pegar. Ele sabe exatamente qual caminho seguir, mesmo que a pergunta seja complexa.

3. O Resultado: Quem Ganhou a Corrida?

Os autores testaram três sistemas com 200 perguntas difíceis sobre fundos de investimento:

1. O Robô Tradicional (RAG Agentic): Tentou ler trechos de texto. Resultado: Fez muitas alucinações e perdeu informações importantes. Foi como tentar achar uma agulha em um palheiro usando apenas o olfato.
2. O Mapa de Pontos (RDF): Foi muito bom, muito preciso. Resultado: Acertou a maioria, mas às vezes tinha dificuldade em conectar pontos complexos.
3. O Metrô Organizado (LPG): Vencedor! Ele foi o mais rápido, o mais preciso e o único que conseguiu responder perguntas complexas de "lista" (ex: "Liste todos os fundos geridos pelo gestor X") sem errar.

4. A Analogia Final: A Festa de Casamento

Imagine que você precisa encontrar o primo do noivo que trabalha em bancos.

• RAG Tradicional: Você pega uma lista de 50 convidados aleatórios e pergunta a cada um: "Você conhece o primo do noivo?". Se a lista for grande, você perde tempo. Se a lista for pequena, você pode não achar ninguém.
• Graph RAG (LPG): Você tem um árvore genealógica digital. Você pergunta ao sistema: "Mostre-me o caminho do Noivo -> Pai -> Irmão -> Filho". O sistema segue o caminho exato e te entrega o nome do primo instantaneamente, sem precisar perguntar a ninguém.

Conclusão Simples

Este paper diz que, para dados complexos e estruturados (como finanças, medicina ou leis), não devemos apenas "ler" os dados, devemos "mapeá-los".

Transformar dados em um Mapa de Relações (Graph) permite que a Inteligência Artificial faça perguntas complexas, encontre respostas precisas e pare de inventar fatos. É a diferença entre tentar adivinhar o caminho em uma cidade escura e ter um GPS que conhece cada rua e cada esquina.

Resumo técnico

Resumo Técnico: Graph RAG em Escala para Espaços de Busca Complexos e Desconhecidos

1. O Problema

Os modelos de linguagem grandes (LLMs) são limitados por dados de treinamento estáticos, o que leva a alucinações e conhecimento desatualizado. A abordagem padrão de RAG (Retrieval-Augmented Generation) tenta mitigar isso recuperando documentos relevantes. No entanto, os métodos tradicionais de RAG baseados em vetores (embeddings) enfrentam desafios críticos em cenários específicos:

• Espaços de Busca Desconhecidos: Dificuldade em determinar o número de documentos a recuperar (top-k) quando a estrutura dos dados não é clara.
• Dados Semi-estruturados e Estruturados: Falha ao lidar com dados como JSONs aninhados, tabelas ou pares chave-valor, onde as relações entre entidades são complexas e não lineares.
• Ineficiência de Reordenamento: Dependência excessiva de modelos de reranking para filtrar ruído, o que introduz gargalos e não garante precisão em consultas complexas.
• Perda de Contexto: A conversão de dados estruturados para texto não estruturado (para uso em RAG tradicional) frequentemente resulta em perda de informações críticas ou introdução de alucinações.

2. Metodologia Proposta

Os autores propõem um framework Graph RAG de ponta a ponta que utiliza duas arquiteturas de grafos distintas para superar as limitações do RAG baseado em vetores: Resource Description Framework (RDF) e Labeled Property Graphs (LPG). O estudo utiliza dados financeiros reais da Capital Group (1.104 fundos de investimento, ETFs e soluções privadas, estruturados em JSON profundamente aninhado).

Componentes Principais:

• Conversão de Dados:

  • RDF: Conversão determinística de objetos JSON em triplas (Sujeito, Predicado, Objeto). O abbreviatedName do fundo atua como sujeito único. Isso gera mais de 650.000 triplas únicas.
  • LPG: Modelagem de dados como um Grafo de Propriedades Rotuladas usando openCypher. Envolve um design de esquema cuidadoso onde entidades (Fundos, Tipos de Produto) são nós e atributos são propriedades ou nós conectados por relacionamentos explícitos.

• Pipeline de Recuperação:

  • Pipeline RDF: Utiliza o banco de dados Amazon Neptune e a linguagem SPARQL. Emprega um agente de seleção de nós (LLM + mapeamento determinístico) e um agente de detecção de relacionamentos (classificação supervisionada + embeddings) para identificar triplas relevantes antes da consulta.
  • Pipeline LPG: Foca na geração de consultas Text-to-Cypher. O sistema gera um esquema completo e metadados do grafo para alimentar o modelo LLM, permitindo a tradução de perguntas em texto para consultas Cypher executáveis em tempo real (com precisão >90%).
  • RAG Agente (Baseline): Uma abordagem comparativa que converte JSONs em texto narrativo (RAG1 - descartado por ineficiência) ou usa embeddings de texto gerado a partir de triplas (RAG2), dependendo de vetores e reordenadores (rerankers).

• Avaliação:

  • Foram testadas 200 consultas cobrindo quatro intenções: Compare (comparação), Detail (detalhes), Search/Listing (listagem) e Outros.
  • Métricas: Precisão (correto vs. alucinação) e Completude (informação total fornecida).

3. Contribuições Chave

1. Framework Graph RAG Híbrido: Introdução de um sistema que integra tanto RDF quanto LPG para lidar com dados semi-estruturados complexos, eliminando a necessidade de pré-especificar o número de documentos a recuperar.
2. Método de Conversão JSON para RDF: Uma técnica eficiente e determinística para transformar JSONs aninhados em triplas RDF, preservando a integridade dos dados sem ruído de LLM.
3. Framework Text-to-Cypher de Alta Precisão: Desenvolvimento de um módulo que traduz consultas de texto natural para Cypher em tempo real, utilizando metadados de esquema para alcançar >90% de precisão, viabilizando aplicações online.
4. Análise Comparativa Empírica: Demonstração robusta de que abordagens baseadas em grafos superam significativamente o RAG baseado em embeddings em tarefas de raciocínio complexo e busca em espaços desconhecidos.

4. Resultados

A avaliação comparou três abordagens: RAG2 (Agente/Embedding), RAG-RDF e RAG-LPG.

• Desempenho Geral:
  • LPG: 185,5 pontos (de 200).
  • RDF: 172,5 pontos.
  • RAG Agente (Embedding): 116 pontos.
• Desempenho por Intenção:
  • Listagem/Busca (Search/Listing): O LPG dominou com 93/100 pontos, superando RDF (80) e RAG Agente (38,5). A capacidade de travessia multi-hop (multi-salto) do LPG foi crucial.
  • Comparação e Detalhes: Tanto LPG quanto RDF performaram excepcionalmente bem (acima de 95% de acurácia), enquanto o RAG Agente teve desempenho inferior.
• Limitações Identificadas:
  • O RAG Agente falha quando o espaço de busca é desconhecido, pois definir o parâmetro K (número de documentos) é problemático (muito pequeno = perda de info; muito grande = ruído excessivo).
  • O RDF sofre com a seleção incorreta de nós/relações devido à falta de um esquema de grafo cuidadosamente projetado.
  • O LPG é superior, mas ainda enfrenta desafios na conversão de texto para Cypher se os nomes de rótulos ou propriedades não forem mapeados corretamente.

5. Significado e Conclusão

O artigo estabelece que o Graph RAG, particularmente utilizando Labeled Property Graphs (LPG), é uma solução transformadora para sistemas de recuperação de informação de próxima geração, especialmente em domínios financeiros e corporativos onde os dados são estruturados, complexos e o espaço de busca é dinâmico.

• Superioridade do LPG: A modelagem explícita de esquemas (nós, rótulos, relacionamentos) permite travessias determinísticas e eficientes, superando a ambiguidade dos embeddings vetoriais.
• Escalabilidade: A abordagem proposta escala bem para grandes volumes de dados (milhares de nós e centenas de milhares de triplas) sem a necessidade de reordenamento complexo ou conversão para texto não estruturado.
• Futuro: O trabalho sugere que o futuro de sistemas RAG complexos reside na integração de grafos de conhecimento com LLMs, onde o grafo atua como a "verdade absoluta" estruturada, e o LLM atua como a interface de tradução e geração, minimizando alucinações e maximizando a precisão factual.

Em suma, para dados semi-estruturados e consultas complexas, o Graph RAG não é apenas uma melhoria incremental, mas uma mudança de paradigma necessária em relação aos métodos tradicionais baseados apenas em vetores.