GraphRAG

GraphRAG (Graph Retrieval-Augmented Generation)。这是由微软研究院（Microsoft Research）近期推出的一个非常火热的概念和开源项目。github:github.com/microsoft/g…

简单来说，GraphRAG 是将“知识图谱（Knowledge Graph）”与“检索增强生成（RAG）”相结合的一种技术，旨在解决传统 RAG 在处理大规模文本和复杂逻辑时的局限性。

以下是对 GraphRAG 的详细介绍，包括它是什么、解决什么问题以及它是如何工作的：

1. 为什么要发明 GraphRAG？（背景与痛点）

在 GraphRAG 出现之前，我们主要使用 基准 RAG (Baseline RAG) 。

• 传统 RAG 的做法：把长文档切成很多小块（Chunks），存入向量数据库。当你提问时，系统通过关键词或语义相似度找到最相关的几个小块，然后扔给 AI 回答。

• 传统 RAG 的弱点：

  1. 缺乏全局观：如果你问“这篇文章的主旨是什么？”或者“总结全书的某种趋势”，传统 RAG 只能找到几个零散的片段，无法概括整体。
  2. 难以连接远距离信息：如果线索 A 在第 1 页，线索 B 在第 100 页，传统 RAG 很难把这两者关联起来推理。

GraphRAG 就是为了解决这些“这就好比盲人摸象，只能看到局部，看不到整体”的问题。

2. GraphRAG 是什么？

GraphRAG 通过大语言模型（LLM）从源文本中自动提取实体（Entities） 、关系（Relationships） 和关键声明（Claims） ，构建一个结构化的知识图谱，然后利用图谱的结构来增强检索和生成的效果。

3. GraphRAG 是如何工作的？（核心流程）

GraphRAG 的工作流程通常分为两个阶段：索引（Indexing） 和 查询（Query） 。

阶段一：构建索引（Indexing）

这是最关键的一步，比传统 RAG 复杂得多：

1. 文本切片：先把文档切块。
2. 提取元素：利用 LLM 阅读每一个切块，识别出人名、地名、组织、概念等（实体），以及它们之间是如何关联的（关系）。
3. 构建图谱：将这些实体和关系连接成一个巨大的网状图。
4. 社区检测（Community Detection） ：这是微软 GraphRAG 的核心创新。它使用算法（如 Leiden 算法）将图谱中联系紧密的节点聚类成不同的“社区”（Communities）。
5. 生成摘要：LLM 会为每个“社区”生成一段总结。这就像是给书的每一章、每一节都写了一个高层级的摘要。

阶段二：查询（Query）

当用户提问时，GraphRAG 可以支持两种强大的搜索模式：

• 全局搜索（Global Search） ：针对“全书主要讲了什么？”这类宏观问题。系统会直接利用之前生成的“社区摘要”来回答，而不是去翻具体的零散句子。
• 局部搜索（Local Search） ：针对“爱因斯坦和牛顿有什么关系？”这类具体问题。系统会在图谱中找到相关实体，并沿着它们的关系链进行推理。

4. GraphRAG 的优势

1. 极其擅长总结性问题：在处理“全数据集摘要”任务时，表现远超传统 RAG。
2. 推理能力更强：能够通过图谱发现隐藏的、跨段落的逻辑联系（Multi-hop reasoning）。
3. 可解释性更好：你可以看到 AI 是沿着哪条路径（哪个实体连接到哪个实体）找到答案的。
4. 数据覆盖更全面：传统 RAG 往往只取 Top-K（前几个）相关片段，容易遗漏信息；GraphRAG 通过社区摘要覆盖了更广泛的信息面。

5. 局限性与成本

虽然 GraphRAG 很强，但也有代价：

• 成本高：在构建索引阶段，需要大量调用 LLM 来提取实体和写摘要，这比简单的切片存向量要贵得多（Token 消耗大）。
• 速度慢：构建图谱的过程比较耗时，不适合实时性要求极高且数据频繁更新的场景。

总结

传统 RAG 想象成一个图书馆管理员，他只能根据你给的关键词，帮你找到几页书供你参考。

而 GraphRAG 像是一个读过所有书的研究员，他不仅读了书，还画了人物关系图，做了每章的笔记。当你提问时，他既能告诉你细节，也能通过笔记告诉你整本书的宏观逻辑。