Fast GraphRAG trocou a sumarização por LLM pelo PageRank para tornar o graph RAG 6 vezes mais barato

A geração aumentada por recuperação responde a perguntas a partir de documentos, mas perguntas que encadeiam vários fatos sobrecarregam a recuperação simples, e a resposta baseada em grafos que se popularizou em 2024 — indexar entidades e suas relações para que fatos conectados sejam alcançáveis — pagava por seu poder com uso intenso de LLM na indexação e na resposta. O Fast GraphRAG de código aberto da Circlemind pegou a mesma ideia de grafo e removeu a parte cara da consulta: em vez de gastar mais chamadas ao modelo para resumir o que o grafo contém, deixa um algoritmo dos anos 1990 percorrer o grafo.

O Fast GraphRAG armazena o conhecimento como um grafo de entidades que é navegável por humanos, consultável e atualizável, revisando-o de forma incremental à medida que os dados evoluem, em vez de reconstruí-lo. No momento da consulta, ele executa o PageRank personalizado — a propagação de rank por trás da busca na web — semeado pela recuperação semântica, de modo que o algoritmo explora o grafo e encontra as peças mais relevantes para a pergunta. O README compara os preços da diferença: a mesma tarefa sobre The Wizard of Oz custa US$ 0,08 com o Fast GraphRAG contra US$ 0,48 com o GraphRAG, uma economia de seis vezes que cresce com o tamanho dos dados e as inserções.

A mudança não foi inventada às cegas: o README aponta para o artigo do HippoRAG, publicado na NeurIPS 2024, que mostrou que combinar LLMs, grafos de conhecimento e PageRank personalizado pode igualar ou superar a recuperação iterativa por LLM em perguntas de múltiplos saltos, sendo de 10 a 30 vezes mais barata e de 6 a 13 vezes mais rápida. O diferencial do Fast GraphRAG foi entregar essa pesquisa como uma biblioteca promptável — tipada, assíncrona, licenciada sob MIT — sem nada da complexidade de construir e manter fluxos de trabalho agênticos, que é exatamente a sobrecarga que o README aponta como sua inimiga.

Trocar a sumarização por LLM pelo PageRank no momento da consulta

O PageRank personalizado é determinístico e quase gratuito de executar, então um único algoritmo de grafo substitui as muitas chamadas ao LLM que um concorrente paga no momento da consulta.

O próprio grafo permanece a fonte da verdade — navegável por humanos e depurável —, de modo que as respostas continuam explicáveis em vez de emergirem de chamadas opacas ao modelo.

As atualizações incrementais do grafo mantêm o índice atualizado sem reconstruções completas, reduzindo o custo de manter o conhecimento fresco.

O projeto se apoiava em evidências revisadas por pares de que a recuperação de passo único com PageRank iguala a recuperação iterativa por LLM a uma fração do custo, então a equipe apostava em resultados publicados, não em folclore.

A licença MIT somada a um serviço gerenciado com 100 requisições gratuitas por mês permitiu que desenvolvedores adotassem a biblioteca sem permissão ou gasto inicial.

Quando a vantagem de um concorrente vem de chamadas caras ao LLM a cada uso, encontre o único passo que um algoritmo determinístico barato pode fazer igualmente bem — mantenha o modelo onde o julgamento importa e transfira todo o resto para a matemática.

O post no Show HN — "Better RAG using good old PageRank" — atraiu 457 pontos e 119 comentários em novembro de 2024, com os mantenedores na thread descrevendo planos de se afastar do HippoRAG em direção a arestas ponderadas e PageRank negativo. Desde então, o repositório cresceu para cerca de 3,9 mil estrelas e 250 forks, mantendo a licença MIT, e a Circlemind vende uma versão gerenciada com um nível mensal gratuito. O caso se tornou um modelo para uma ideia mais ampla: quando uma técnica mais nova e mais cara vence em qualidade, o movimento vencedor pode ser descobrir qual parte dela um algoritmo clássico barato consegue executar.