Fast GraphRAG cambió el resumen por LLM por PageRank para hacer el graph RAG 6 veces más barato

La generación aumentada por recuperación responde preguntas a partir de documentos, pero las preguntas que encadenan varios hechos ponen a prueba la recuperación simple, y la respuesta basada en grafos que se popularizó en 2024 —indexar entidades y sus relaciones para que los hechos conectados sean alcanzables— pagó su potencia con un uso intensivo de LLM tanto en la indexación como en la respuesta. Fast GraphRAG, de código abierto de Circlemind, tomó la misma idea de grafo y eliminó la parte cara de la consulta: en lugar de gastar más llamadas al modelo para resumir lo que contiene el grafo, deja que un algoritmo de los años 90 recorra el grafo.

Fast GraphRAG almacena el conocimiento como un grafo de entidades que es navegable por humanos, consultable y actualizable, y lo revisa de forma incremental a medida que los datos evolucionan en lugar de reconstruirlo. En el momento de la consulta ejecuta PageRank personalizado —la propagación de rango que hay detrás de la búsqueda web— sembrado por recuperación semántica, de modo que el algoritmo explora el grafo y encuentra las piezas más relevantes para la pregunta. El README detalla la diferencia de precio: la misma tarea sobre El mago de Oz cuesta 0,08 dólares con Fast GraphRAG frente a 0,48 dólares con GraphRAG, un ahorro de seis veces que crece con el tamaño de los datos y las inserciones.

El movimiento no se inventó a ciegas: el README señala el artículo de HippoRAG, publicado en NeurIPS 2024, que mostró que combinar LLM, grafos de conocimiento y PageRank personalizado puede igualar o superar la recuperación iterativa con LLM en preguntas de varios saltos, siendo de 10 a 30 veces más barato y de 6 a 13 veces más rápido. El giro de Fast GraphRAG fue distribuir esa investigación como una biblioteca que acepta prompts —tipada, asíncrona, con licencia MIT— sin nada de la complejidad de construir y mantener flujos de trabajo agénticos, que es exactamente la sobrecarga que el README señala como su enemigo.

Cambiar el resumen por LLM por PageRank en el momento de la consulta

PageRank personalizado es determinista y casi gratuito de ejecutar, así que un solo algoritmo de grafos sustituye las muchas llamadas a LLM que un rival paga en el momento de la consulta.

El propio grafo sigue siendo la fuente de verdad —navegable por humanos y depurable—, de modo que las respuestas siguen siendo explicables en lugar de surgir de llamadas opacas al modelo.

Las actualizaciones incrementales del grafo mantienen el índice al día sin reconstrucciones completas, lo que reduce el coste de mantener el conocimiento fresco.

El diseño se apoyaba en evidencia revisada por pares de que la recuperación con PageRank en un solo paso iguala la recuperación iterativa con LLM a una fracción del coste, así que el equipo apostaba por resultados publicados, no por folclore.

La licencia MIT junto con un servicio gestionado con 100 solicitudes gratuitas al mes permiten a los desarrolladores adoptar la biblioteca sin permisos ni gasto inicial.

Cuando la ventaja de un rival proviene de costosas llamadas a LLM por uso, encuentra el único paso que un algoritmo determinista barato puede hacer igual de bien: mantén el modelo donde importa el juicio y traslada todo lo demás a las matemáticas.

La publicación en Show HN —«Better RAG using good old PageRank»— reunió 457 puntos y 119 comentarios en noviembre de 2024, con los mantenedores en el hilo describiendo planes para divergir de HippoRAG hacia aristas ponderadas y PageRank negativo. Desde entonces el repositorio ha crecido hasta unos 3,9 mil estrellas y 250 bifurcaciones, manteniendo la licencia MIT, y Circlemind vende una versión gestionada con un nivel mensual gratuito. El caso se convirtió en una plantilla para una idea más amplia: cuando una técnica más nueva y más cara gana en calidad, el movimiento ganador puede ser encontrar qué parte de ella puede realizar un algoritmo clásico barato.