Un autor que acumula más de 6.000 notas en Markdown explica cómo aplicar la técnica GraphRAG para convertir ese archivo disperso de apuntes en un grafo de conocimiento que mejora la recuperación y la visión global de la información. El flujo descrito usa software que corre localmente y evita enviar datos a servicios externos.
Qué es GraphRAG y por qué mejora al RAG clásico
El RAG (Retrieval-Augmented Generation) tradicional trocea documentos, calcula embeddings y busca los fragmentos más similares a una consulta. Funciona bien para preguntas concretas pero tiene dos límites: no representa las relaciones entre conceptos y carece de visión global del conjunto de documentos. GraphRAG añade un grafo de entidades y relaciones, y pregenera resúmenes de comunidades del grafo. Así, además de recuperar fragmentos relevantes por similitud vectorial, se puede recuperar el vecindario de una entidad y el resumen de su comunidad para obtener contexto global y conexiones explícitas entre temas.
Cómo se transforma el archivo de notas en un grafo
El proceso descrito consta de cinco fases encadenadas:
- Escaneo: localiza todos los ficheros .md en la carpeta de notas.
- Chunking (troceado): divide cada nota por secciones con reglas estructuradas.
- NER (extracción de entidades): identifica entidades en cada fragmento mediante un modelo local.
- Conexión: crea aristas entre nodos (entidades y fragmentos) para formar el grafo.
- Almacenamiento: guarda el índice vectorial y la estructura del grafo en una base de datos.
El autor subraya que el orden es importante: cada fase alimenta la siguiente.
Buenas prácticas para el troceado de notas
Trocear con criterio es clave. Estas son las reglas que recomienda:
- Cada encabezado de niveles 1, 2 o 3 (#, ##, ###) abre un nuevo fragmento. Cada sección debe representar una idea coherente.
- Separar el frontmatter (bloque YAML) como metadatos; no formar parte de los fragmentos.
- No romper bloques de código: un bloque rodeado por tres acentos graves debe viajar entero dentro del fragmento.
- Descartar fragmentos muy cortos (menos de 50 caracteres) porque son ruido.
Estas reglas preservan la semántica de configuraciones, ejemplos y comandos, mejorando tanto los embeddings como la extracción de entidades posterior.
Herramientas y ejecución local
El proyecto que usa el autor es un binario en Rust (graphrag / graphrag-search) y confía en Ollama para ejecutar modelos en la máquina local. Se emplea un modelo pequeño para embeddings y otro para NER y resúmenes. Para simplificar la preparación, el autor proporciona un script que comprueba Ollama, descarga modelos necesarios y localiza el binario; con dos comandos se deja todo listo.
Qué cambia y qué deben hacer administradores y propietarios de sitios
Para administradores de conocimiento, responsables de documentación técnica o propietarios de sitios con grandes colecciones de notas, GraphRAG ofrece dos ventajas prácticas: recuperaciones más relevantes por entidad y resúmenes que cubren comunidades temáticas, lo que facilita preguntas de alcance global sobre la colección. La recomendación práctica es:
- Organizar notas con estructura (encabezados y frontmatter) para facilitar el chunking.
- Evitar fragmentar bloques de código al preparar los documentos.
- Usar herramientas que permitan ejecutar modelos localmente si la privacidad es un requisito.
Si no hay requisitos de privacidad estrictos, la técnica también sirve como guía conceptual para implementaciones en la nube, pero la demostración del autor está pensada para correr sin salir de la máquina del usuario.
Lee también:
- Peppermint OS prueba PepVoid, una edición basada en Void Linux con instalador gráfico
- Linux 7.3-rc7 añade soporte para dos mandos: Corsair Novablade Pro y 8BitDo Pro 2
Fuente: atareao con Linux
