GraphRAG vs Vector RAG: Cuándo Combinar Grafos de Conocimiento (Neo4j) con Embeddings

1. El Límite Estructural de la Búsqueda Vectorial Tradicional

La arquitectura clásica de Generación Aumentada por Recuperación (Vector RAG) divide los documentos en fragmentos (chunks) de 500 a 1.000 tokens, calcula sus representaciones vectoriales densas mediante un modelo de embedding y almacena estos vectores en una base de datos vectorial (como Pinecone, Qdrant o Chroma). Cuando el usuario realiza una consulta, el sistema recupera los $K$ fragmentos con mayor similitud de coseno y los inyecta en el contexto del LLM.

Aunque este paradigma es excelente para resolver preguntas factuales específicas, sufre de tres fallos sistémicos bien documentados:

1. Ceguera ante Conexiones Multi-Salto (Multi-Hop Blindness): Si para responder a una duda es necesario conectar un hecho del Documento A ("Ana es directora de Finanzas en NovaCorp") con un hecho del Documento B ("NovaCorp firmó una alianza con SolTech") y otro del Documento C ("SolTech canceló sus proyectos en Asia"), la búsqueda vectorial rara vez recuperará los tres fragmentos simultáneamente porque ninguno de ellos comparte suficiente similitud semántica global con la pregunta "¿Cómo afecta la política de SolTech al equipo de Ana?".
2. Incapacidad para Consultas de Resumen Global: Ante preguntas como "¿Cuáles son las 5 temáticas principales tratadas en estas 2.000 transcripciones de entrevistas?", ningún fragmento individual tiene similitud vectorial con la consulta, provocando alucinaciones o respuestas sesgadas a los pocos chunks arbitrarios devueltos.

2. ¿Cómo Funciona la Arquitectura GraphRAG?

Propuesto por Microsoft Research y formalizado con bases de datos de grafos como Neo4j, GraphRAG transforma el texto no estructurado en una red semántica explícita:

1. Extracción de Entidades y Relaciones: Un LLM lee cada fragmento e identifica entidades clave (Nodos: personas, empresas, tecnologías, leyes) y las interacciones entre ellas (Aristas: INVIERTE_EN, REGULADO_POR, DIRIGE).
2. Detección de Comunidades (Algoritmo de Leiden): La red de conocimiento se segmenta de forma jerárquica en clústeres comunitarios densamente interconectados.
3. Resúmenes Comunitarios Jerárquicos: El LLM redacta resúmenes sintéticos para cada nivel comunitario del grafo. Estos resúmenes se indexan semánticamente para resolver consultas globales.

3. Tabla Comparativa de Arquitecturas

4. Tutorial Práctico: Implementación con Neo4j y LangChain

A continuación configuramos un pipeline en Python que extrae conocimiento estructurado e indexa entidades en una base de datos Neo4j:

import os
from langchain_community.graphs import Neo4jGraph
from langchain_experimental.graph_transformers import LLMGraphTransformer
from langchain_openai import ChatOpenAI
from langchain_core.documents import Document

# 1. Conexión a la instancia de Neo4j
url = "bolt://localhost:7687"
username = "neo4j"
password = "supersecretpassword"

graph = Neo4jGraph(url=url, username=username, password=password)

# 2. Configurar el LLM para extracción de relaciones
llm = ChatOpenAI(temperature=0, model_name="gpt-4o-mini")
llm_transformer = LLMGraphTransformer(
    llm=llm,
    allowed_nodes=["Persona", "Empresa", "Proyecto", "Tecnologia", "Normativa"],
    allowed_relationships=["DIRIGE", "DESARROLLA", "INVIERTE_EN", "CUMPLE_CON"]
)

# 3. Documentos de ejemplo
docs = [
    Document(page_content="Elena García es la investigadora principal en QuantumCore. Lidera el proyecto Q-Mesh financiado por TechVentures."),
    Document(page_content="TechVentures exige que todos sus proyectos cumplan estrictamente con la normativa europea de IA (EU AI Act).")
]

# 4. Transformar documentos no estructurados en grafos de conocimiento
graph_documents = llm_transformer.convert_to_graph_documents(docs)

# 5. Cargar nodos y aristas en Neo4j
graph.add_graph_documents(graph_documents)
print(f"Cargados con éxito {len(graph_documents)} documentos en el grafo de Neo4j.")

5. Consultas Híbridas Avanzadas con Cypher y Búsqueda Vectorial

La verdadera potencia de Neo4j radica en poder ejecutar consultas combinadas. Podemos utilizar un índice vectorial para localizar la entidad de entrada y luego navegar sus relaciones de grafo en profundidad:

// Encontrar entidades relacionadas a 2 saltos a partir del nodo más similar al prompt
MATCH (p:Persona {name: "Elena García"})-[:DIRIGE]->(proj:Proyecto)-[:CUMPLE_CON]->(norm:Normativa)
RETURN p.name AS Investigador, proj.name AS Proyecto, norm.name AS NormativaRegulatoria

6. Solución de Problemas y Errores Habituales

1. Explosión Combinatoria de Nodos Duplicados (Entity Resolution)

Si un documento se refiere a "NVIDIA", otro a "Nvidia Inc." y un tercero a "NVDA", el LLM creará tres nodos desconectados en el grafo, rompiendo la continuidad de las relaciones.

Solución: Implementa una etapa intermedia de Entity Linking / Entity Resolution que unifique menciones calculando similitud Levenshtein y similitud de embeddings entre nombres de nodos antes de consolidarlos con la directiva Cypher MERGE.

2. Consultas Cypher Alucinadas por el LLM

Al generar consultas Cypher en tiempo real a partir del lenguaje natural del usuario, el LLM puede inventar etiquetas o propiedades que no existen en el esquema.

Solución: Pasa explícitamente el esquema del grafo (graph.get_schema) en el prompt del sistema y activa validación estricta de sintaxis con reintentos automáticos.

7. Checklist de Producción para GraphRAG

• Crea índices de unicidad en Neo4j sobre las propiedades críticas: CREATE CONSTRAINT FOR (c:Company) REQUIRE c.id IS UNIQUE;.
• Habilita caché de resúmenes comunitarios para no consultar el grafo completo en preguntas recurrentes de alto nivel.
• Evalúa la precisión de recuperación utilizando el framework Ragas con métricas específicas de context recall en preguntas multi-hop.

8. Modelado de Datos en Neo4j: De Texto No Estructurado a Esquemas Ricos

Para que GraphRAG rinda con precisión quirúrgica, el esquema de la base de datos de grafos debe diseñarse con rigor. En lugar de permitir que el LLM invente tipos de aristas arbitrarios, se debe imponer una ontología canónica en el pipeline de ingesta:

// Crear índices de búsqueda vectorial integrados dentro de Neo4j
CREATE VECTOR INDEX chunk_embeddings_index IF NOT EXISTS
FOR (c:Chunk) ON (c.embedding)
OPTIONS {indexConfig: {
  'vector.dimensions': 1536,
  'vector.similarity_function': 'cosine'
}};

// Crear restricciones de unicidad para evitar entidades duplicadas
CREATE CONSTRAINT unique_entity_name IF NOT EXISTS
FOR (e:Entity) REQUIRE e.id IS UNIQUE;

Este índice vectorial nativo permite que el agente ejecute una búsqueda semántica inicial para localizar los fragmentos más afines, y desde allí salte a través de las aristas relacionales ([:MENCIONA_A], [:AFECTA_A]) para traer el contexto holístico completo.

9. Resúmenes Comunitarios con el Algoritmo de Detección de Leiden

El núcleo diferenciador de GraphRAG respecto a otros sistemas basados en grafos es su capacidad para generar resúmenes temáticos por niveles. El proceso se divide en tres etapas:

1. Particionado del Grafo: El algoritmo de Leiden agrupa los nodos en clústeres jerárquicos minimizando la varianza interna de densidad relacional.
2. Generación de Síntesis: Para cada comunidad detectada (por ejemplo, el clúster de "Ciberseguridad y Normativa Europea"), un LLM genera un informe ejecutivo que detalla los temas principales, entidades clave y posibles riesgos.
3. Indexación de Resúmenes: Estos informes se convierten a vectores y se almacenan en el índice superior. Cuando un usuario pregunta "¿Cuáles son los mayores retos de la compañía?", el sistema no busca fragmentos aislados: recupera directamente los resúmenes comunitarios de alto nivel.

10. Solución de Errores Críticos y Depuración en Neo4j GraphRAG

1. Timeout de Transacción en Consultas Cypher Complejas

Al ejecutar búsquedas con patrones abiertos como MATCH (a)-[*1..4]-(b) sobre grafos con más de 500.000 aristas, el planificador de Neo4j puede consumir toda la memoria heap y bloquear la base de datos.

Solución: Acota siempre los caminos fijando límites de expansión y dirección estricta: MATCH path = (a:Entity {id: $id})-[:RELACION*1..2]->(b:Entity) RETURN path LIMIT 25. Además, ajusta en neo4j.conf el parámetro dbms.transaction.timeout=15s.

2. Desincronización entre el Índice Vectorial y los Nodos del Grafo

Si los nodos se actualizan o eliminan mediante transacciones Cypher manuales sin actualizar sus embeddings asociados, el motor vectorial devolverá punteros rotos (EntityNotFoundException).

Solución: Implementa triggers de base de datos en Neo4j mediante el plugin APOC (Awesome Procedures on Cypher) para recalcular o purgar automáticamente los índices vectoriales ante eventos de mutación de nodos.

11. Manifiesto de Despliegue en Kubernetes (Neo4j Enterprise)

apiVersion: apps/v1
kind: StatefulSet
metadata:
  name: neo4j-graphrag
spec:
  serviceName: "neo4j"
  replicas: 1
  template:
    spec:
      containers:
      - name: neo4j
        image: neo4j:5.22-enterprise
        env:
        - name: NEO4J_AUTH
          value: "neo4j/ClaveSegura2026"
        - name: NEO4J_PLUGINS
          value: '["apoc", "graph-data-science"]'
        - name: server_memory_heap_initial__size
          value: "4G"
        - name: server_memory_heap_max__size
          value: "16G"
        ports:
        - containerPort: 7687
          name: bolt
        - containerPort: 7474
          name: http