📊 Cap 08: GraphRAG & Grafos de Conhecimento
AI Engineering • RAG Baseado em Relações Estruturadas
🗺️ RAG Vetorial vs GraphRAG: Da Semelhança ao Significado
flowchart TD
subgraph VECTOR ["RAG Vetorial Tradicional"]
V1["Recupera pedaços de texto por proximidade vetorial.\n(Excelente para: 'Onde fica a filial de Curitiba?')\n(Falha em: 'Quais os padrões de risco em todas as filiais?') 🚨"]
end
subgraph GRAPHRAG ["GraphRAG Estruturado"]
G1["Extrai Nós e Arestas -> Detecta Comunidades -> Pré-gera Resumos Globais.\n(Permite raciocínio relacional e sense-making holístico de todo o dataset!) ⚡"]
end
style VECTOR fill:#ffebee,stroke:#d32f2f,stroke-width:2px
style GRAPHRAG fill:#e8f5e9,stroke:#4caf50,stroke-width:2px
🎯 Slide 1: Por Que RAG Vetorial Não Faz “Sense-Making”?
-
A busca vetorial é míope: recupera os Top-K chunks com maior proximidade matemática de palavras.
- Se a pergunta do usuário for abrangente (“Quais os temas recorrentes de insatisfação dos clientes?”), nenhum chunk individual tem a resposta completa!
- O GraphRAG resolve agrupando entidades e criando sumários hierárquicos!
🎯 Slide 2: As Etapas do Algoritmo GraphRAG
- Extração: LLM lê os documentos e identifica entidades e suas conexões tipadas.
- Grafo: Construção da malha relacional (Knowledge Graph).
- Clusterização: Algoritmo de Leiden detecta comunidades densas.
- Resumos Comunitários: LLMs geram resumos consolidados de cada comunidade antes de qualquer consulta!
🎯 Slide 3: Busca Local vs Busca Global
-
Local Search: Foco em entidades específicas e seus vizinhos imediatos (respostas precisas sobre itens pontuais).
- Global Search: Foco nos resumos de nível comunitário (respostas sobre tendências macro e visões executivas consolidadas).
🔗 Navegação do Capítulo 08
| 📖 Ler Conteúdo Completo | 🧠 Fazer Quiz | 💻 Ver Exemplos | 🧩 Exercícios |
Slide 1 de 1
Atalhos: ← → Navegar • Espaço Avançar • F Tela Cheia • Home Início • End Fim