GraphRAG: conocimiento conectado, no fragmentos sueltos

Un RAG convencional corta los documentos en fragmentos (chunks) y, ante una pregunta, recupera los más parecidos semánticamente. Funciona bien para consultas puntuales. Pero falla cuando la respuesta exige relacionar piezas que están en documentos distintos: un contrato, una política, un manual y una tabla financiera.

El problema: fragmentos sin contexto

Si preguntas "¿qué clientes se ven afectados por el cambio de la política X y qué impacto financiero tiene?", la similitud semántica no basta. La respuesta no está en un solo párrafo: hay que recorrer Política → producto → clientes → contratos → impacto. Eso es razonamiento multisalto, y un índice vectorial plano no lo representa.

Qué aporta el grafo

Lumentia indexa cada documento en dos mundos a la vez: un índice vectorial (Qdrant) para la similitud semántica, y un grafo de conocimiento (Neo4j) donde extraemos entidades, conceptos y las relaciones entre ellos. Así, una consulta puede "navegar" el grafo en vez de solo comparar vectores.

Validación estructural, no magia

Sería un error decir que el grafo elimina las alucinaciones. Lo que aporta es evidencia estructurada: una relación verificable entre entidades. Combinado con el guard de SKU y el guard de factualidad (ver este post), el sistema puede responder solo cuando la evidencia existe, y derivar a un humano cuando no.