GraphRAG Zero risolve una sfida fondamentale che ha limitato il potenziale degli agenti AI: fornire loro il contesto necessario per ragionare, decidere e agire, costruito e aggiornato continuamente a velocità interattiva.
Dal concetto di ricerca a un sistema deployable
Il risultato di anni di ricerca ha trasformato il recupero basato su grafi da una tecnica sperimentale in un sistema pronto per applicazioni reali. Oggi GraphRAG è disponibile come opzione in Foundry IQ (Azure AI Search), permettendo a clienti e sviluppatori di sfruttare il recupero guidato da grafi su larga scala.
I knowledge graph, basati sulla ricerca Microsoft Research su GraphRAG, alimentano sia Foundry IQ sia GitHub Repo Mind Light, supportando scenari che vanno dalla scoperta scientifica alla comprensione dei repository di codice.
Dalla sensemaking a livello di dataset al recupero interattivo, l'evoluzione di GraphRAG ha ridotto costi e latenza, mantenendo l'accesso a prove rilevanti e rappresentative.
Impatto accademico e open source
Il paper originale, pubblicato nell’aprile 2024, ha accumulato 3,9 k citazioni, mentre il repository open‑source conta oltre 36 k stelle su GitHub. Da questo sono nate numerose ricerche e implementazioni software che ampliano il design space del recupero basato su grafi.
Perché GraphRAG Zero è cruciale per gli agenti AI
Gli agenti AI necessitano di più di semplici estratti testuali corrispondenti alle parole della richiesta. Per rispondere a query complesse e comprendere connessioni tra diverse tipologie di informazione, serve un recupero che catturi la struttura interna dei dati. Questo diventa sempre più importante man mano che l’AI genera quantità di contenuto impossibili da revisionare manualmente.
GraphRAG fornisce tale struttura; la sua versione più recente, GraphRAG Zero, rende il recupero sufficientemente veloce ed economico da poter essere costruito e aggiornato in continuazione.
Rivoluzione rispetto al tradizionale RAG
Nel 2024, condividendo la nostra ricerca e la libreria open‑source, abbiamo introdotto un metodo per porre domande che il tradizionale Retrieval‑Augmented Generation (RAG) non riusciva a gestire: invece di trovare fatti isolati, è possibile interrogare temi, pattern e implicazioni su un intero corpus di documenti.
L’impatto è andato oltre l’adozione della libreria: GraphRAG ha spostato l’attenzione del settore dal semplice reperimento di passaggi rilevanti all’organizzazione di evidenze connesse per il ragionamento a livello di dataset.
Oggi nuovi approcci di ricerca e implementazioni open‑source esplorano questo spazio, mentre gli strumenti industriali rendono il recupero basato su grafi accessibile agli sviluppatori di applicazioni.
BenchmarkQED: valutare l’efficacia del contesto
Parallelamente all’evoluzione di GraphRAG, è stato sviluppato un framework di valutazione chiamato BenchmarkQED. Questo ha permesso di misurare se le ottimizzazioni di costi e velocità compromettessero la qualità delle evidenze recuperate.
Grazie a BenchmarkQED, la nuova versione “leggera” di GraphRAG, denominata GraphRAG Zero, elimina le chiamate a LLM durante l’indicizzazione e può essere configurata per operare senza LLM anche al momento della query, garantendo latenza sub‑secondo basata esclusivamente sulla geometria degli embedding testuali.
Integrazioni produttive
GraphRAG Zero è ora un’opzione all’interno di Foundry IQ (Azure AI Search), portando il recupero guidato da grafi a velocità interattive per applicazioni che richiedono evidenze rilevanti e rappresentative.
Microsoft Discovery ha deciso di adottare GraphRAG Zero tramite Foundry IQ per sostenere la ricerca scientifica, mentre GitHub Next’s Repo Mind Light lo utilizza per la comprensione dei repository, integrandolo in GitHub Agentic Workflows. Questo consente il recupero di issue, pull request, codice e documentazione in tempo reale, fornendo contesto a sviluppatori e agenti AI su architettura, proprietà e motivazioni delle decisioni passate.
Controllo dell’affidabilità: VeriTrail
Il contesto economico da costruire e mantenere aggiornato supporta anche la verifica di ciò che gli agenti producono. VeriTrail opera su sistemi RAG con dati sorgente e output guidati dal contesto, rilevando allucinazioni e tracciando l’origine di contenuti non supportati, garantendo la fedeltà delle risposte rispetto alle fonti.
Sinergia tra sviluppo e valutazione
Il ciclo di sviluppo di GraphRAG Zero e il suo framework di valutazione si alimentano reciprocamente: le nuove capacità spingono la creazione di test più sofisticati, mentre i risultati dei test guidano la progettazione di sistemi più efficaci.
Dalle origini alla maturità: la timeline di GraphRAG
Nel 2023, il progetto non mirava a creare un sistema RAG, ma a esplorare come le capacità emergenti dell’AI generativa potessero aiutare le persone a dare senso a grandi volumi di dati. Lavori precedenti avevano applicato metodi di analisi dell’intelligence a business intelligence, raccomandazioni di ricerca, investigazioni di cybercrime e provenienza delle notizie.
Il nostro programma di tecnologie per i diritti umani affrontava sfide simili, collegando evidenze a azioni concrete, ad esempio rivelando rischi di corruzione e contrastando la tratta di esseri umani.
In tutti questi contesti, i grafi collegavano osservazioni: query di ricerca attraverso percorsi di navigazione, operazioni fraudolente tramite segnali condivisi, notizie attraverso testi riutilizzati. I modelli linguistici hanno suggerito un approccio più generale: estrarre entità e relazioni direttamente dal testo non strutturato.
Primo caso d'uso interno
Il caso d'uso iniziale è nato da una partnership interna di analisi delle minacce. Gli analisti dovevano integrare, navigare e interrogare anni di rapporti come un unico corpo di conoscenza, identificando pattern e tracciando le affermazioni alle prove originali.
Seguendo il mantra di Ben Shneiderman “Overview first, zoom and filter, then details on demand”, abbiamo aiutato gli analisti a comprendere i dati prima di formulare domande. Abbiamo identificato comunità di entità strettamente correlate e usato modelli di linguaggio per sintetizzare le prove associate. Questi report di comunità fornivano una panoramica dell’intera collezione, da cui gli utenti potevano derivare domande più precise.
La stessa struttura ha supportato la risposta a domande a diversi livelli di granularità: le questioni locali attingevano a descrizioni dettagliate di entità e relazioni, mentre le domande globali venivano risolte mediante sintesi dei report di comunità. Questa capacità di passare da evidenze specifiche a una comprensione a livello di dataset ha costituito la base di GraphRAG.
Valutare domande di nuova classe
Il sensemaking globale ha introdotto una sfida valutativa. Domande come “Quali sono i principali rischi discussi nei rapporti?” richiedono sintesi su più fonti, con molteplici risposte ragionevoli. I benchmark tradizionali, focalizzati sul recupero di fatti isolati, non potevano verificare se un sistema rappresentasse l’intera gamma di prove rilevanti.
Abbiamo quindi definito tre qualità target per la valutazione iniziale:
- Completezza: misura in cui una risposta copre tutti gli aspetti e i dettagli rilevanti;
- Diversità: ampiezza delle prospettive e delle intuizioni fornite;
- Empowerment: contributo della risposta alla comprensione dell’utente e alla capacità di prendere decisioni informate.
Utilizzando l’approccio “LLM‑as‑a‑Judge”, abbiamo confrontato coppie di risposte per ciascuna qualità, ottenendo metriche più robuste per sistemi che operano su dati connessi.
Questa metodologia di valutazione ha guidato le successive ottimizzazioni di GraphRAG, culminando nella versione Zero, che combina velocità, costi contenuti e capacità di mantenere contesto aggiornato.
