Objetivos de aprendizaje
- Distinguir cuándo basta búsqueda vectorial y cuándo aporta un grafo.
- Extraer entidades y relaciones verificables desde documentos.
- Combinar grafo, chunks y citaciones sin perder trazabilidad.
En cristiano: grafo de conocimiento. Es una red de nodos y relaciones. Por ejemplo: cliente, contrato, factura, proveedor y vencimiento, conectados por relaciones explícitas.
Entidad: id: "cliente:acme" tipo: "cliente" nombre: "ACME S.L." fuente: "contrato-marco.pdf#p4" Relacion: origen: "cliente:acme" tipo: "tiene_contrato" destino: "contrato:2026-03" evidencia: "contrato-marco.pdf#p4"
Idea clave. El grafo no sustituye al RAG: lo ordena. Recuperas relaciones candidatas y después traes los chunks fuente para responder con evidencia.
Cuándo merece la pena
- Preguntas que cruzan varios documentos o fechas.
- Auditoría de contratos, facturas, proveedores o expedientes.
- Memoria de agentes donde importa quién hizo qué y cuándo.
- Documentación técnica con dependencias entre servicios.
Cuidado. No aceptes relaciones generadas por IA sin evidencia. Cada arista debe guardar fuente, página o fragmento que permita auditarla.
Comprueba que funciona. Crea 25 preguntas: 10 vectoriales simples, 10 relacionales y 5 trampa. GraphRAG solo merece quedarse si mejora las relacionales sin empeorar las demás.
Guardar y reabrir el proyecto.
Empieza con NetworkX o tablas SQL antes de levantar infraestructura compleja. Si el prototipo demuestra valor, ya podrás migrar a Neo4j u otro motor.
Siguiente misión recomendada
Si has guardado la evidencia de esta lección, continúa con «OCR y tablas». Si no, repite la comprobación antes de avanzar.