AGRAG (Graph-based RAG): un marco MCMI para mejorar la generación aumentada con recuperación y el razonamiento explícito en RAG basados en grafos

Tiempo de lectura: 14 minutos

Resumen: Descubre AGRAG (Graph-based RAG): MCMI y un algoritmo voraz para construir grafos sin alucinaciones, mejorar el razonamiento explícito y optimizar la recuperación con grafos.

¿Para quién es este artículo y qué aprenderás?

• Investigadores y desarrolladores de NLP/IR que trabajan con RAG basado en grafos y LLMs.
• Lectores que buscan entender la formulación MCMI, sus ventajas frente a enfoques como NaiveRAG y el algoritmo voraz propuesto.
• Incluye conceptos, matemática básica, pseudocódigo, guías prácticas y pautas de evaluación.

1) Contexto y motivación

RAG (Retrieval-Augmented Generation) combina recuperación de información con generación de texto. En su variante RAG basado en grafos (GraphRAG), representamos entidades, documentos y relaciones como un grafo para recuperar contexto no solo por similitud semántica, sino también por conexiones explícitas. Esto mejora la precisión y la explicabilidad en dominios con dependencias ricas (académico, legal, médico). Véase GraphRAG en IBM Think.

Sin embargo, muchos pipelines actuales sufren de tres problemas: (1) construcción inexacta del grafo por alucinaciones de LLMs al extraer entidades y relaciones; (2) escasa capacidad de razonamiento al no explicitar rutas ni justificar por qué se conectan los nodos; y (3) respuestas insuficientes cuando la recuperación trae nodos irrelevantes o fragmentados.

AGRAG aborda estos tres puntos: (1) propone construcción de grafos sin alucinaciones mediante extracción estadística de entidades; (2) formula la selección de contexto como un problema MCMI (Minimum Cost Maximum Influence) para obtener un subgrafo compacto y valioso; y (3) usa ese subgrafo como camino de razonamiento explícito para guiar al LLM. En la práctica, GraphRAG bien diseñado tiende a ofrecer respuestas más completas y trazables que el RAG vectorial puro, como resume esta guía de GraphRAG.

2) Resumen ejecutivo de AGRAG

¿Qué es AGRAG? Es un marco de RAG basado en grafos con tres componentes clave: extracción estadística de entidades, formulación MCMI y un algoritmo voraz para construir subgrafos y presentar rutas de razonamiento explícitas al LLM.

• Extracción estadística de entidades para construir el grafo sin alucinaciones.
• Formulación MCMI para seleccionar un subgrafo con máxima influencia a mínimo coste.
• Algoritmo voraz MCMI que construye, paso a paso, el subgrafo y lo presenta como rutas de razonamiento explícito al LLM.

Flujo: documentos → señales estadísticas → entidades y relaciones robustas → grafo ponderado → scoring de influencia y costes → subgrafo MCMI → prompt estructurado → respuesta. Beneficios esperados frente a métodos previos: menos ruido y alucinaciones, recuperación orientada a utilidad-coste y mejor explicabilidad en preguntas multi-hop.

Contribuciones en breve: extracción estadística de entidades, formulación de subgrafo MCMI (Minimum Cost Maximum Influence), algoritmo voraz MCMI y uso del subgrafo como caminos de razonamiento explícitos.

3) Construcción de grafos sin alucinaciones: extracción estadística de entidades

Problema: alucinaciones al extraer con LLMs

Extraer entidades y relaciones solo con LLMs puede introducir términos que no existen en los datos, asociaciones espurias o roles incorrectos. Estos errores se propagan y contaminan la recuperación. En GraphRAG, la calidad del grafo lo es todo. Más detalles en The New Stack.

Enfoque estadístico propuesto

Para la construcción de grafos sin alucinaciones, AGRAG prioriza señales cuantificables, reproducibles y auditables basadas en frecuencia, co-ocurrencia, TF-IDF, POS-tagging y heurísticas de sección/meta, seguidas de normalización, desambiguación y verificación ligera.

• Frecuencia y co-ocurrencia: PMI y variantes normalizadas en ventanas y documentos.
• TF-IDF por chunks para n-gramas distintivos por sección.
• POS-tagging y patrones léxicos (X de Y, X causa Y, etc.).
• Heurísticas de sección/meta: títulos, encabezados, tablas, referencias y metadatos de origen.

• Lematización y manejo de variantes ortográficas.
• Clustering por similitud para unir alias de una misma entidad.
• Desambiguación con señales distribucionales y cohesión de vecinos.

• Umbrales de soporte mínimo para ingresar al grafo.
• Pruebas distribucionales para descartar nodos/aristas anómalos.
• Back-off híbrido: usar un LLM solo como verificador final sobre candidatos filtrados.

Si vas a orquestar estos cómputos (PMI, TF‑IDF, co-ocurrencias) en producción, revisa estrategias de datos y pipelines en Innovadoras estrategias de ingeniería de datos para IA que transforman empresas.

Ventajas

• Reducción de alucinaciones: las entidades necesitan evidencia estadística real.
• Robustez: menos sensibilidad a prompts y parámetros del LLM.
• Reproducibilidad: mismos datos y reglas producen el mismo grafo.

Ejemplo ilustrativo

Con extracción LLM directa, el grafo para un informe médico introdujo “Neuromitis”, inexistente en el texto. La extracción estadística no supera umbrales y lo filtra, manteniendo relaciones validadas. Resultado: mejor recuperación y menos sesgo. Revisión en esta guía práctica de GraphRAG.

4) Formulación del problema: subgrafo MCMI (Minimum Cost Maximum Influence)

Motivación

Para responder una consulta compleja, a menudo necesitamos un subgrafo que cubra múltiples hilos de evidencia conectados. Un buen subgrafo maximiza influencia útil y minimiza coste de nodos/aristas.

Definición formal (alto nivel)

• Sea G = (V, E). Nodos son entidades/chunks; aristas son relaciones. Costes c(v), c(e) ≥ 0.
• Definimos I(S) para un subgrafo S, midiendo utilidad respecto a la consulta: relevancia, cobertura, diversidad, centralidad, etc.
• Objetivo: maximizar I(S) sujeto a presupuesto B en costes de nodos y aristas, o minimizar coste dado un mínimo de influencia.

Intuición: el subgrafo MCMI elige caminos de razonamiento que aportan evidencia alta a bajo coste, cubriendo subtemas críticos y reduciendo redundancia.

Relación con problemas conocidos

• Se parece a Max k-Cover/Knapsack en cobertura con presupuesto.
• Relaciona con Steiner Tree/Forest si exigimos conectar anclas con coste mínimo.
• Conecta con difusión de influencia si I(S) modela “alcance” sobre el grafo.

La formulación MCMI integra estas ideas para seleccionar rutas informativas. Contexto adicional en IBM Think: GraphRAG.

5) Complejidad: NP‑dificultad y justificación

Teorema (boceto): MCMI es NP‑difícil. Esquema de prueba: reducción desde Max k-Cover con costes, construyendo un grafo donde conjuntos y elementos mapean a nodos/conceptos; resolver MCMI resolvería Max k-Cover.

Implicación práctica: recurrir a heurísticas y algoritmos voraces bien diseñados que ofrezcan buenos resultados y escalen a grafos reales.

6) Algoritmo voraz MCMI (algoritmo propuesto)

Intuición

Seleccionamos iterativamente el siguiente nodo o arista con mayor ganancia marginal de influencia por unidad de coste, penalizando redundancia y parando al agotar presupuesto o si la mejora marginal es baja.

Entrada:\n  G = (V, E), consulta q\n  Influencia base por nodo: score(v, q)\n  Influencia marginal conjunta: ΔI(S, v) y ΔI(S, e)\n  Costes: c(v), c(e)\n  Presupuesto total: B\n  Parámetros: α (penalización redundancia), ε (mejora mínima), K_max (tamaño máx. opcional)\n\nSalida:\n  Subgrafo S = (V_S, E_S)\n\nProcedimiento:\n1. Inicializar V_S ← {v_q} o ∅; E_S ← ∅; C ← 0; I ← 0\n2. Pre-filtrar candidatos V' ← top-k por score(v, q)\n3. Mientras C ≤ B y |V_S| < K_max:\n     - Para cada candidato x conectable:\n         ganancia ← ΔI(S, x) - α * redundancia(S, x)\n         ratio ← ganancia / c(x)\n     - Seleccionar x* con ratio máximo y ganancia > ε\n     - Si C + c(x*) > B: romper\n     - Añadir x* a S (asegurar conectividad mínima)\n     - Actualizar C, I, penalizaciones y candidatos\n4. Devolver S

Detalles prácticos

• Ganancia marginal: cobertura nueva, diversidad temática o reducción de incertidumbre.
• Redundancia: penaliza información repetida (embeddings muy similares ya cubiertos).
• Conectividad: puede requerir aristas puente de bajo coste para mantener S conectado.

Variantes y mejoras

• Selección por lotes (batch) para acelerar.
• Búsqueda local tipo swap.
• Paralelización y colas de prioridad.
• Prefiltrado top-k y pruning temprano.

Complejidad

• Cálculo de ratios por iteración: O(|Cands|). Con colas de prioridad: O(log |Cands|) por actualización.
• Seleccionando m elementos: ~ O(m |Cands|) o mejor con estructuras.
• Escalable con prefiltrado y pruning.

Ejemplo paso a paso (grafo pequeño)

Supongamos nodos A–F con influencias base: A:8, B:6, C:5, D:4, E:3, F:3. Costes de nodos 1 cada uno; aristas 0.5 si necesarias para conectar. Presupuesto B = 5. Semilla: A.

1. Inicio: S = {A}, C = 1, I = 8.
2. Ratios: B:6/1=6; C:5/1=5; D:4/1=4; E:3/1=3; F:3/1=3. Elegimos B.
3. S = {A,B}, C = 2, I = 14.
4. Recalcular con penalización por redundancia; elegimos C.
5. S = {A,B,C}, C = 3, I ≈ 18.2.
6. Elegimos E.
7. S = {A,B,C,E}, C = 4, I ≈ 21.2.
8. Restante 1: elegimos F. S final = {A,B,C,E,F}, C = 5, I ≈ 24.2.

El subgrafo MCMI resultante cubre múltiples hilos con buen rendimiento I/C.

7) Subgrafo MCMI como caminos de razonamiento explícitos

El subgrafo MCMI actúa como guía: no entregamos al LLM un “montón” de chunks, sino una estructura con conexiones explícitas. Esto orienta la atención, reduce ruido y hace trazable la respuesta: cada afirmación puede vincularse a nodos y aristas del subgrafo.

• Exhaustividad: admite múltiples rutas y ciclos útiles.
• Mejor foco: la función de influencia prioriza evidencia relevante y diversa.
• Menos ruido: el presupuesto limita nodos marginales.

Ejemplo práctico: “¿Cómo se relacionan la proteína X, la vía Y y el fármaco Z en la enfermedad W?” → Subgrafo MCMI con papers clave, aristas de co-ocurrencia/citación y notas de mecanismos. Prompt: “Sigue estas rutas...” y cita nodos. Más sobre GraphRAG en IBM Think.

La evidencia industrial muestra que GraphRAG mejora precisión frente a búsquedas vectoriales puras. Ver el blog de AWS sobre GraphRAG.

8) Comparación empírica vs métodos existentes (diseño de evaluación)

Datasets y tareas

• QA multi-hop (HotpotQA, 2WikiMultiHopQA) y dominios especializados (biomed, legal).
• Benchmarks de RAG con pasajes largos y necesidad de integración de múltiples fuentes.

Baselines

• NaiveRAG: top-k por similitud vectorial sin grafo.
• GraphRAG con extracción de entidades por LLM.
• GraphRAG con caminos simples (árboles mínimos) frente a subgrafo MCMI.

Métricas

• Exactitud/F1 en respuestas.
• Calidad de explicación: coherencia, trazabilidad, cobertura.
• Tasa de alucinaciones en respuestas y en construcción de grafo.
• Latencia y coste computacional.

Resultados esperados

• Mejoras sobre NaiveRAG en preguntas multi-hop.
• Reducción de alucinaciones gracias a la extracción estadística.
• Subgrafo MCMI supera caminos simples al equilibrar diversidad y coste.

Visualiza curvas (F1 vs presupuesto), tablas de ablation y rutas. Referencias: AWS GraphRAG y MachineLearningPlus.

9) Estudios de ablation y análisis cualitativo

• Sin extracción estadística vs con extracción estadística.
• Sin MCMI (caminos simples) vs con subgrafo MCMI.
• Voraz puro vs variantes con batch/swap.

Robustez: evaluar sensibilidad a ruido sintético (inserción de nodos irrelevantes). Esperamos que el filtro estadístico y las penalizaciones de redundancia mantengan estable el rendimiento. Más sobre prácticas de GraphRAG en The New Stack.

10) Implementación práctica y recomendaciones

Para llevar AGRAG a producción y definir arquitectura, colas, índices y monitorización, te recomendamos Domina el diseño de sistemas de machine learning en producción para alinear MLOps con tu grafo y retrievers.

Si trabajas con agentes de IA que orquestan tareas (retrieval, verificación, fusión), mira Descubre cómo Skills for Claude (Anthropic) revoluciona procesos empresariales: las Skills pueden invocar rutas MCMI como herramientas.

• Infra: Neo4j/TigerGraph o NetworkX/igraph; índices vectoriales y BM25; jobs batch para conteos y servicio de scoring online.
• Integrar el subgrafo MCMI en prompts: bloques por rutas, IDs, títulos, citas y aristas clave; instruir sobre uso exclusivo de la evidencia.
• Parametrización: umbrales de frecuencia/co-ocurrencia, presupuesto B y tamaño máximo, α de redundancia.
• Optimización de latencia: cachés, prefiltrado top-k, pruning temprano, paralelización.
• Compatibilidad: se integra con retrievers vectoriales y capa de grafo end-to-end.

11) Limitaciones y trabajo futuro

• Coste computacional: mitigable con muestreo y particionado.
• Dependencia de buenas señales en corpora pequeños o ruidosos.
• Sesgos en I(S): regularizadores de diversidad y calibración.

La gobernanza y el liderazgo son clave al desplegar GraphRAG en la empresa; consulta Descubre el liderazgo en IA empresarial para pautas de gobernanza y adopción responsable. Para un panorama conceptual de RAG y variantes agentic, ver este análisis comparativo.

12) Conclusión

AGRAG mejora RAG atacando tres frentes: construcción de grafos sin alucinaciones con extracción estadística, selección de subgrafo MCMI que maximiza influencia a mínimo coste y un algoritmo voraz escalable. El subgrafo resultante guía el razonamiento del LLM con evidencia trazable. Prueba el marco con tus datos y compáralo con NaiveRAG.

Preguntas frecuentes (FAQ)

1) ¿En qué se diferencia AGRAG de un GraphRAG genérico?

AGRAG formaliza la selección de contexto como un subgrafo MCMI y propone extracción estadística de entidades para construir grafos sin alucinaciones, además de un algoritmo voraz con rutas explícitas.

2) ¿Necesito un grafo de conocimiento preexistente?

No. Puedes construirlo a partir de tus documentos usando señales estadísticas (frecuencia, co-ocurrencia, TF-IDF) y refinarlo con heurísticas de dominio.

3) ¿Cómo elijo la función de influencia I(S)?

Combina relevancia a la consulta, cobertura de conceptos y diversidad. Empieza con suma ponderada de similitud y añade penalización por redundancia.

4) ¿El algoritmo voraz MCMI ofrece garantías?

El problema es NP‑difícil; no hay óptimo general garantizado. En práctica, el voraz con buenas penalizaciones y prefiltrado rinde muy bien.

5) ¿Con qué LLM funciona mejor?

Es agnóstico al modelo. Lo crucial es presentar el subgrafo como contexto estructurado y mantener el tamaño acorde a la ventana del LLM.