GraphRAG

GraphRAG est une extension du RAG classique qui intègre un graphe de connaissances pour enrichir la recherche et le raisonnement.

RAG classique vs GraphRAG

	RAG classique	GraphRAG
Recherche	Vectorielle (similarité sémantique)	Vectorielle + traversée de graphe
Grain	Chunks de texte	Chunks + entités + relations
Réponse	Passages pertinents	Passages + chemin de preuve
Idéal pour	FAQ, procédures, réponses ponctuelles	Corrélations, causalité, multi-hop

Architecture dans retriv

Document → Chunking → Embed → Qdrant (vecteurs)
                   ↓
              Ontologie MD
                   ↓
           Extraction LLM → Neo4j (graphe)
                   
Question →  embed(query) → Qdrant top 8
         →  graph query  → Neo4j relations
                   ↓
              Fusion + rerank
                   ↓
         Réponse LLM avec chunks + entités

Les deux recherches se font en parallèle (Promise.all). Les résultats sont fusionnés et rerankés avant d'être envoyés au LLM.

Questions multi-hop

Le GraphRAG excelle sur les questions qui nécessitent plusieurs étapes de raisonnement.

Exemple médical :

"Ce patient peut-il prendre de l'ibuprofène ?"

Sans GraphRAG : cherche "ibuprofène" dans les documents. Avec GraphRAG : Ibuprofène → type AINS → aggrave insuffisance rénale → patient a IR stade 3 → NON, avec chemin de preuve complet.

Exemple financier :

"Quels clients sont exposés au risque BCE ?"

Sans GraphRAG : cherche "BCE" dans les documents. Avec GraphRAG : BCE → hausse taux → impact obligataire → fonds obligations → clients Dupont et Martin → liste avec justification.

Cas d'usage recommandés

Littérature Cohérence narrative entre personnages sur plusieurs tomes. Vérification de continuité, recherche de scènes croisées.

Médical (infrastructure dédiée HDS requise) Interactions médicamenteuses, contre-indications, protocoles croisés. Ontologie de référence : SNOMED / CIM-10.

Finance Mandats clients, contraintes ESG, réglementations croisées. Reporting contextualisé par client et par fonds.

ITSM / Support Symptôme → version → module → incident → correctif. Réduction du temps de diagnostic.

État de déploiement

✅ Neo4j en production (infrastructure OVH)
✅ Extraction d'ontologie via LLM (gpt-oss-20b)
✅ Interface de validation des entités (/ontologie/[category])
✅ Tool MCP get_ontology exposé dans claude.ai
🔄 Fusion Qdrant + Neo4j dans les réponses chat (en cours)
🔄 Affichage du chemin de preuve dans l'UI (en cours)

Serveur dédié pour le médical

L'hébergement médical (données de santé) requiert une certification HDS et un serveur dédié OVH avec isolation complète.

Contactez-nous pour un devis ENTERPRISE : hello@retriv.run