Quand la similarité vectorielle échoue : comment le parcours de graphe adaptatif au budget récupère des documents critiques que RAG ne peut pas trouver

Les systèmes de génération augmentée par récupération (RAG) basés sur la similarité vectorielle échouent systématiquement à récupérer des documents sémantiquement liés à la réponse mais pas directement similaires à la requête. Cet article présente WordWeaveWeb, une plateforme multi-locataires open-source Graph-RAG, et introduit Auto-Hop, un algorithme de parcours de graphe adaptatif au budget qui étend la récupération basée sur vecteurs en suivant des relations sémantiques typées entre segments de documents. Auto-Hop utilise un modèle de coût de similarité cosinus inversée (coût = 1 − similarité) avec un budget de parcours fini, produisant une profondeur d'exploration adaptative. Évalué sur deux corpus (274 documents d'entreprise, 4 PDF réglementaires) sur 8 questions, Graph-RAG avec Auto-Hop améliore la couverture contextuelle de +100 % à +180 % et récupère des documents critiques inaccessibles par la recherche vectorielle à tout seuil. Le code complet, les corpus et les traces de benchmark sont publiés sous licence MIT.