Árvore de decisão: perguntas localizadas começam com RAG vetorial; perguntas globais seguem para FastGraphRAG quando o foco é sumarização e para Standard GraphRAG quando exigem entidades e relações de alta fidelidade.

--- title: "GraphRAG 3.1 e FastGraphRAG: quando o grafo vence o RAG vetorial — e quanto custa" description: "GraphRAG, FastGraphRAG ou busca vetorial? As diferenças reais, os custos escondidos e um protocolo reproduzível para escolher sem inventar benchmark." date: 2026-08-15 canonical: https://arvor.co/noticias/graphrag-3-1-fastgraphrag-custo-benchmark --- RAG vetorial é muito bom em encontrar um trecho parecido com uma pergunta. O problema começa quando a resposta não está num trecho. “Quais temas atravessam todos os relatórios de incidentes?”, “como fornecedor, sistema e contrato se relacionam?” ou “o que mudou na narrativa da empresa ao longo de três anos?” são perguntas sobre estrutura. O documento relevante não está perdido; a relação está espalhada. É aí que GraphRAG entra. Em vez de indexar somente pedaços de texto e suas embeddings, ele extrai entidades, relações e comunidades e cria resumos hierárquicos do corpus. Só que essa estrutura custa dinheiro para construir. A pergunta adulta não é “grafo é melhor que vetor?”. É: **para quais perguntas o ganho paga o custo de indexação e operação?** A linha 3.1 do [GraphRAG da Microsoft](https://github.com/microsoft/graphrag) tornou essa decisão mais concreta ao manter dois métodos oficiais de indexação: Standard GraphRAG e FastGraphRAG. Uma precisão importante: **FastGraphRAG não nasceu na versão 3.1**, e a [release 3.1.0](https://github.com/microsoft/graphrag/releases/tag/v3.1.0) é uma versão do software, não um novo paper ou uma nova geração do algoritmo. Misturar os dois rende manchete; separar rende arquitetura. ## Vetor, grafo rico e grafo rápido

*A árvore é uma hipótese de partida, não um resultado. A escolha final precisa sobreviver ao mesmo corpus, às mesmas perguntas e ao mesmo orçamento.* O **RAG vetorial** divide documentos, gera embeddings e recupera os `k` trechos mais próximos da consulta. É simples, relativamente barato e continua sendo a melhor linha de base para perguntas localizadas: cláusula, fato, definição, passagem específica. O **Standard GraphRAG** usa LLMs para extrair e descrever entidades, relações e, opcionalmente, afirmações. Depois consolida descrições, detecta comunidades e gera relatórios em vários níveis. A [documentação oficial de indexação](https://microsoft.github.io/graphrag/index/overview/) deixa clara a ambição: transformar texto não estruturado numa representação que carrega relações e hierarquia, além de embeddings. O **FastGraphRAG** troca parte desse raciocínio por NLP tradicional. Entidades vêm de sintagmas nominais extraídos por NLTK ou spaCy; relações vêm da coocorrência no mesmo trecho; não há descrição nem sumarização individual de entidade e relação. O LLM continua participando da geração dos relatórios de comunidade, mas recebe os trechos associados às entidades em vez de um grafo semanticamente descrito. Isso o torna mais rápido e barato para indexar. Também produz um grafo mais ruidoso e menos útil fora do próprio fluxo de GraphRAG. Essa troca não é opinião nossa: é a orientação da [comparação oficial entre os métodos](https://microsoft.github.io/graphrag/index/methods/). ## Onde está o custo de verdade A Microsoft estima que a extração do grafo responda por aproximadamente **75% do custo de indexação** no método Standard. É justamente a etapa que o FastGraphRAG simplifica com NLP. Mas “75% da indexação” não significa “75% do custo total”, muito menos “Fast custa 75% menos”. O custo total depende de volume, modelo, atualização do corpus, estratégia de busca e número de consultas. Global Search, por exemplo, percorre relatórios de comunidades em map-reduce e é descrita pela própria documentação como intensiva em recursos. A conta honesta é: `custo total = indexação inicial + atualizações + (consultas × custo por consulta) + operação` Se o corpus muda uma vez por mês e recebe milhões de consultas, investir mais no índice pode reduzir o custo por resposta ou elevar a qualidade o suficiente para compensar. Se muda a cada hora e recebe poucas consultas, o índice sofisticado pode nunca se pagar. Sem frequência de atualização e volume de uso, comparar preço por milhão de tokens é teatro. ## O tipo de busca importa tanto quanto o índice GraphRAG não oferece uma única consulta “de grafo”. O [motor oficial](https://microsoft.github.io/graphrag/query/overview/) inclui quatro caminhos que respondem a necessidades diferentes: - **Basic Search:** RAG vetorial top-k, útil como linha de base; - **Local Search:** combina entidades e relações relevantes com trechos de origem, para perguntas sobre elementos específicos; - **Global Search:** usa relatórios de comunidades em map-reduce, para perguntas sobre o corpus como um todo; - **DRIFT Search:** parte de informação de comunidades e cria perguntas de aprofundamento para ampliar uma investigação local. O [paper original da Microsoft Research](https://www.microsoft.com/en-us/research/publication/from-local-to-global-a-graph-rag-approach-to-query-focused-summarization/) encontrou ganhos sobre RAG convencional em abrangência e diversidade para uma classe de perguntas globais em corpora perto de um milhão de tokens. Isso sustenta a hipótese de GraphRAG para *sensemaking global*. Não prova superioridade universal, não mede seu corpus e não autoriza vender qualquer grafo como milagre. ## Um benchmark que dá para reproduzir Não rodamos um experimento neste artigo, portanto não vou inventar uma tabela com vencedores. O ativo útil é o protocolo: um teste que qualquer time pode executar e auditar. ### 1. Congele o terreno Versione o corpus, normalize os documentos e registre idioma, tamanho, duplicatas e data de corte. Use exatamente os mesmos chunks, embeddings e modelo gerador sempre que a arquitetura permitir. Fixe também orçamento de contexto, parâmetros de geração e versão do GraphRAG. ### 2. Monte perguntas por classe Separe antes de testar, sem olhar a saída dos sistemas: - **local factual:** resposta concentrada em um ou poucos trechos; - **relação e múltiplos saltos:** exige conectar entidades distantes; - **global:** pede temas, padrões ou síntese do corpus; - **negativa:** a resposta não existe e o sistema deve admitir; - **temporal ou conflitante:** fontes discordam ou mudam ao longo do tempo. Cada pergunta precisa de uma resposta de referência e, mais importante, de um conjunto de evidências esperadas revisado por especialista. ### 3. Compare três braços Rode **Basic/vector RAG**, **Standard GraphRAG** e **FastGraphRAG**. Repita as consultas para capturar variação do modelo. Não dê mais contexto ou um gerador melhor ao sistema favorito; isso mede orçamento, não arquitetura. ### 4. Meça qualidade e custo separadamente Em qualidade, registre correção factual, cobertura das evidências, precisão das citações, capacidade de recusar e consistência sob paráfrase. Para perguntas globais, avalie abrangência sem premiar texto comprido. Em custo, registre tokens e tempo de indexação, armazenamento, latência e tokens por consulta, custo de atualização e esforço operacional. Publique falhas e timeouts; apagá-los da média transforma benchmark em propaganda. ### 5. Decida por fronteira, não por campeão O resultado raramente será “um sistema vence tudo”. O esperado é uma fronteira: vetor domina perguntas locais baratas; Fast entrega boa síntese global com índice econômico; Standard justifica o preço quando relações de alta fidelidade e exploração do grafo importam. Se os dados não mostrarem essa forma, siga os dados. ## Quando o grafo vence Grafo tende a ganhar quando a pergunta depende de relações distribuídas, quando o corpus precisa ser compreendido como conjunto ou quando a estrutura extraída vira ativo para outras tarefas. Vetor tende a ganhar quando a resposta é local, o corpus muda rápido, o orçamento é curto ou o volume ainda não justifica uma camada nova. FastGraphRAG ocupa o meio: uma aposta sensata para sumarização global quando o grafo é meio, não produto. Standard faz sentido quando a qualidade das entidades, relações e comunidades tem valor próprio — auditoria, descoberta, navegação ou integração com outros sistemas. Foi por isso que escrevemos antes que [RAG agêntico precisa de governança](/noticias/rag-agentico-2026). Um grafo não corrige documento velho, permissão errada ou métrica sem dono. Ele organiza relações; não fabrica verdade. No [BRAIN MAKER](/brain-maker), grafo de conhecimento é usado quando a estrutura paga aluguel: proveniência, conexões entre fontes e raciocínio que um top-k não entrega. O desenho começa pela bateria de perguntas, não pelo banco de grafos. Se alguém já escolheu sua arquitetura antes de montar o benchmark, não está medindo. Está procurando uma planilha que concorde.