Perché il RAG Classico Non Basta
Prima di capire cosa sia il GraphRAG, è fondamentale capire cosa non funziona nel RAG tradizionale. Il Retrieval-Augmented Generation (RAG) è una tecnica che permette agli LLM di rispondere a domande attingendo a basi di conoscenza esterne, invece di affidarsi unicamente alla memoria "hardcoded" nel modello durante il training. Il flusso classico è semplice: una query viene trasformata in un vettore di embedding, si cercano i chunk di testo più vicini nel vector store, e si passano al modello insieme alla domanda originale come contesto.
Questo approccio funziona benissimo per domande semplici e dirette del tipo: "Qual è la capitale della Francia?" o "Cosa dice il documento X a proposito di Y?". Ma nel momento in cui le domande diventano più complesse, il RAG classico inizia a mostrare crepe profonde.
I limiti principali sono tre, ed emergono in modo sistematico in tutti i survey recenti sul tema:
1. Incapacità di ragionamento multi-hop. Il RAG classico recupera chunk di testo in modo "piatto", per similarità semantica. Se la risposta a una domanda richiede di connettere informazioni sparse su più documenti ad esempio, "Qual è la valuta del paese in cui è nato il fondatore di questa azienda?" Il sistema non riesce a costruire il percorso logico necessario. Ogni chunk viene codificato in isolamento, senza relazioni con gli altri.
2. Difficoltà nell'integrazione della conoscenza distribuita. In corpus documentali complessi (contratti legali, knowledge base mediche, documentazione tecnica), la stessa entità viene menzionata in decine di contesti diversi. Il RAG classico non aggrega questi segnali: recupera alcuni frammenti e li manda al modello, che deve "indovinare" le connessioni.
3. Inefficienza su domande di sintesi globale. Domande come "Quali sono i temi principali di questa raccolta di documenti?" sono impossibili da rispondere con un semplice recupero per similarità: richiedono una comprensione olistica dell'intero corpus, non di singoli snippet.
Il paper seminale di Microsoft, "From Local to Global: A Graph RAG Approach to Query-Focused Summarization" di Darren Edge et al. (2024),identifica proprio questa dicotomia come il problema centrale: da un lato le domande "locali" (rispondibili con retrieval preciso su pochi chunk), dall'altro le domande "globali" che richiedono sintesi dell'intera knowledge base.
Cos'è GraphRAG: la Definizione
GraphRAG è un paradigma che estende il RAG tradizionale integrando strutture a grafo nella rappresentazione, nel recupero e nell'uso della conoscenza.
In termini semplici: invece di memorizzare i documenti come chunk di testo piatti in un vector store, Graph RAG costruisce un grafo di conoscenza in cui i nodi rappresentano entità (persone, luoghi, concetti, eventi) e gli archi rappresentano le relazioni semantiche tra di esse. Quando arriva una query, il sistema non cerca solo i chunk più simili, ma naviga il grafo per costruire un contesto strutturato, multidimensionale e relazionalmente coerente.
Il survey più completo sul tema, pubblicato su arXiv il 30 dicembre 2024 da un team dell'Università di Hong Kong, propone un framework unificato per descrivere tutti i sistemi GraphRAG, articolato in cinque componenti chiave:
Query Processor: interpreta e decompone la domanda dell'utente
Retriever: naviga il grafo per recuperare le informazioni rilevanti
Organizer: struttura le informazioni recuperate in modo coerente
Generator: usa un LLM per generare la risposta finale
Data Source: il grafo di conoscenza sottostante, costruito dai documenti
La definizione formale del paradigma è quella di un sistema RAG in cui la sorgente dati è un grafo strutturato (o una combinazione di grafo + testo), e il retriever è capace di operare su strutture relazionali, non solo su spazi vettoriali.
💡 Analogia pratica: immagina il RAG classico come una biblioteca con un ottimo sistema di ricerca per parole chiave trovi rapidamente i libri che parlano di "fotosintesi", ma non puoi chiedere "quali piante crescono meglio nel clima del paese dove ha studiato questo botanico?". Graph RAG aggiunge una mappa concettuale che collega tutti i libri, gli autori, i luoghi e i concetti citati, rendendo possibili percorsi di ricerca multi-step.
Dove Graph RAG Brilla: le Applicazioni Concrete
Graph RAG trova la sua dimensione naturale ovunque la conoscenza sia intrinsecamente relazionale.
In medicina, un sistema Graph RAG può rispondere a domande come "Quali farmaci interagiscono negativamente con un paziente che ha la diagnosi X e assume già il farmaco Z?" navigando reti di relazioni tra farmaci, patologie e geni qualcosa di impossibile con retrieval piatto su note cliniche.
In ambito legale, i testi normativi sono reti di rimandi incrociati: una legge cita altre leggi, che dipendono da decreti attuativi, che rimandano a giurisprudenza. Graph RAG naviga questa rete per rispondere a domande di compliance complesse in modo coerente e tracciabile.
In finanza, permette domande come "Quali aziende nel portafoglio X hanno esposizione diretta o indiretta al rischio geopolitico Y?" seguendo catene di ownership e partnership attraverso molte entità collegate.
Nel customer support enterprise, un agente Graph RAG può diagnosticare automaticamente problemi complessi che richiedono di connettere moduli, versioni, bug noti e workaround documentati in punti diversi della knowledge base aziendale.
Le sfide ancora aperte
Graph RAG non è una soluzione perfetta. I problemi reali da tenere a mente sono:
Costo dell'indicizzazione: costruire il grafo richiede molte chiamate a un LLM può diventare costoso su corpus grandi
Graph hallucination: il modello può estrarre relazioni inesistenti durante la costruzione del grafo, introducendo errori strutturali difficili da individuare
Aggiornamenti: quando i documenti cambiano, aggiornare il grafo è complesso e costoso, a differenza del RAG classico dove basta ricalcolare gli embedding
Scalabilità: a scala enterprise (miliardi di nodi), i database a grafo attuali iniziano a mostrare i propri limiti
Il futuro: dove sta andando
Le direzioni più promettenti sono cinque. I Graph RAG adattivi sceglieranno automaticamente se usare il grafo o il retrieval piatto in base al tipo di domanda. I grafi multimodali integreranno testo, immagini e dati numerici nello stesso grafo. Il ragionamento causale permetterà analisi what-if esplicite. I self-improving graphs si aggiorneranno in base al feedback degli utenti. Infine, l'integrazione con sistemi agentici aprirà la strada a ragionamenti multi-step dove ogni passo dell'agente corrisponde a una navigazione del grafo.
Graph RAG non è il futuro del RAG, è il suo presente per tutti i casi d'uso dove la conoscenza è relazionale e le domande sono complesse. La tecnologia è matura, gli strumenti open source esistono, e il vantaggio qualitativo è reale. Il momento per iniziare a sperimentare è adesso.
