L'auteur identifie le 'Semantic Clobbering' comme une limitation dans l'approche RAG basée sur la recherche vectorielle pure, qui corrompt la logique de récupération. Il propose le Graph-RAG comme un changement de paradigme, utilisant des graphes de connaissances pour récupérer des informations structurées et permettre un raisonnement multi-sauts.
L'article décrit l'évolution du système de récupération de 2asy.ai, passant d'une simple recherche vectorielle à un Graph RAG d'ontologie interdomaines. Cette refonte vise à surmonter les limites de la récupération par similarité et à mieux comprendre les relations causales complexes dans l'actualité tarifaire.
La véritable difficulté du Graph RAG n'est pas l'extraction de données, mais la normalisation pour assurer la navigabilité du graphe. L'auteur l'a découvert en construisant un graphe de connaissances pour 2asy.ai, où l'incohérence dans la dénomination des entités et des types de relations rendait le graphe inutilisable malgré une extraction réussie.