LazyGraphRAG：微软研究院最新发布的新一代知识检索技术

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 300+累计阅读 384平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄3年

关注

原创最新推荐文章于 2026-02-07 07:56:19 发布 384 阅读 AI 写同款· GEO 优化 ›

微软GraphRAG：从开源到爆火，解锁新一代RAG技术自2024年7月微软在GitHub上开源了基于图的检索增强生成（RAG）系统——GraphRAG以来，该项目迅速获得了开发者的广泛关注。短短几个月内，GraphRAG在GitHub上的星标数已经突破19000颗，成为目前最热门的RAG框架之一。GraphRAG是一种基于图的知识检索增强技术，它结合了知识图谱的广泛知识表示能力和大语言模型（LLM）的生成能力。与传统的RAG方法相比，GraphRAG通过构建知识图谱和社区层次结构，显著提升了复杂信息处理的能力。什么是GraphRAG？GraphRAG的优势。阅读详情

收录于

AI应用实战

当前文章被收录于：

AI应用实战

71 篇文章 30 人学习

订阅专栏查看详情

大模型企业实战

当前文章被收录于：

大模型企业实战

46 篇文章 9 人学习

订阅专栏查看详情

RAG增强检索

当前文章被收录于：

RAG增强检索

20 篇文章 7 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#RAG检索增强 #LazyGraphRAG #GraphRAG #RAG框架

【实测闭坑】LazyGraphRAG利用本地ollama提供Embedding model服务和火山引擎的deepseek API构建本地知识库这个模块的核心功能是通过自然语言处理技术从文本中提取名词短语，构建名词图，并计算节点之间的关系强度。它使用了并行处理和缓存机制来提高性能，并提供了边权重标准化的选项。我首先测试了LazyGraphRAG利用本地ollama提供Embedding model服务和火山引擎的deepseek API构建本地知识库。网上很多教程都是很老的，说利用ollama需要改源码，目前的版本是不需要改任何源码的，直接设置好配置文件即可。主要原因deepseek-V3也不是很友好啊，我没钱prompt 微调啊，晕死。阅读详情

相关推荐

【多模态大模型】GLIP：零样本目标检测新范式与视觉语言理解

本文深入解析了多模态大模型GLIP在零样本目标检测和视觉语言理解领域的创新应用。GLIP通过统一目标检测与自然语言理解任务，实现了零样本学习能力，能够精准定位复杂文本描述对应的图像区域。文章详细介绍了GLIP的核心技术、数据策略及实战表现，并对比了与其他多模态模型的差异，为AI视觉理解提供了新范式。

weixin_29186249的博客 263

微软LazyGraphRAG：新一代超低成本RAG

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

Androiddddd的博客 1516

MRI脑影像分析从哲学到技术：一文搞懂VBM预处理基本原理（全网最详细解析）

分析大脑解剖学差异最常用方法之一是基于体素的形态学方法（voxel-based morphometry, VBM）。 VBM的基本思想是测量大脑组织，尤其是灰质的局部浓度的差异。在大脑的每个体素处进行操作，然后在两个或多个实验组之间进行统计比较，从而在受调查的组之间建立特定大脑区域中脑组织浓度的统计学显着差异。 VBM分析基于（高分辨率）MRI脑部扫描，涉及大量处理步骤，主要是空间归一化，分割，平滑和统计分析，最终结果是统计图，显示了各组之间组织类型明显不同的区域[^1]。参考 [^1] ..

意疏的学习笔记 3万+

1000倍成本压缩！适用于所有场景的低成本解决方案，微软开源超强LazyGraphRAG及使用教程

检索增强生成领域的突破性进步微软在今年7月开源了GraphRAG，这是一个基于图的检索增强生成（Retrieval-Augmented Generation, RAG）系统。在短短4个多月的时间里，它在GitHub上获得了超过19000颗星，成为目前最火的RAG框架之一。

Python_cocola的博客 2051

数据仓库实践：从ITR流程讲指标体系建设

从 ITR 流程或者其他客服反馈流程的考核过程可见，实际工作中不可能只通过单个指标评价一个业务过程，需要从多个维度梳理业务，并把多个高度相关的指标组织起来，以避免只考虑其中某个指标从而摧毁整个业务过程的结果，指标体系=指标+体系。

the_singing_towers的博客 2265

实战指南：如何优雅解决SpringBoot3与Mybatis-Plus的版本兼容性问题

本文深入解析SpringBoot3与Mybatis-Plus的版本兼容性问题，提供实战解决方案。通过Maven依赖排除策略、Gradle配置方案及自动配置覆盖策略，有效解决包冲突和初始化顺序问题，确保项目平稳升级。适用于开发者快速解决SpringBoot3与Mybatis-Plus的集成难题。

weixin_28432777的博客 597

GraphRAG，LazyGraphRAG与RAG

GraphRAG（Graph Retrieval-Augmented Generation）是一种将知识图谱与检索增强生成相结合的方法。它在传统 RAG 的基础上，引入了图结构和社区检测等方法，以提高对复杂数据的理解和生成能力。GraphRAG 利用大型语言模型从非结构化文本中提取实体、关系和摘要，构建知识图谱，然后利用图结构进行高效的检索和问答。实体（Entity）是在文本中具有独特意义的对象、概念或事物。它们是构建知识图谱的基本单位。如历史人物、作者、角色等。例如：“爱因斯坦”、“哈利·波特”。

m0_65555479的博客 2906

【MDC开发者课程】MDC功能软件-归控算法介绍

规控算法

博客标题不能为空我也没办法 1844

从GraphRAG到LazyGraphRAG | 什么是 GraphRAG？GraphRAG 中 Parquet 文件的深入解析

GraphRAG（Graph Retrieval-Augmented Generation）是一种将知识图谱与检索增强生成相结合的方法。它利用大型语言模型从非结构化文本中提取实体、关系和摘要，构建知识图谱，然后利用图结构进行高效的检索和问答。通过利用 LLM 和知识图谱，GraphRAG 能够在构建全面的索引和回答复杂问题方面表现出色。生成的 Parquet 文件为后续的数据处理和分析提供了良好的基础。

m0_56255097的博客 1275

在Windows11下安装完Ubuntu20.04双系统后配置环境的过程

在Windows11下安装完Ubuntu20.04双系统后配置环境的过程 1.NVIDIA驱动检测及安装 2.Anaconda的安装 3.安装cuda、cudnn、pytorch 4.其他报错

aaaccc444的博客 2424

eMMC数据擦除的方式

接下来主要是讲解erase、trim、discard的差异，涉及的command有CMD35、CMD36、CMD38。一般用来擦除整卡或者某些分区，如果只想擦除一个。以下是device status的部分解释。eMMC的数据擦除方式有6种，分别是。将会跳过写保护，只执行其他的范围。Discard的命令序列是。Erase的命令序列是。的范围有包含写保护，Trim的命令序列是。

DPJimmy的博客 1764

一睹：微软最新发布的LazyGraphRAG

微软近期推出了一项革新性的技术——LazyGraphRAG，这是一种启用图谱的检索增强生成（Retrieval Augmented Generation，RAG）技术，它以其卓越的效率和成本效益，彻底颠覆了传统观念中对“懒惰”的刻板印象。位于雷德蒙德的微软研究团队宣称，这项最新的RAG技术在成本和质量上展现出了“与生俱来的可扩展性”，并在成本与质量的连续谱上呈现出“卓越的性能”。此外，它还成功降低了对整个数据集进行全局搜索的成本，同时提升了局部搜索的效率。简而言之，LazyGraphRAG绝非徒有其名。

qianggezhishen的专栏 1704

DeepSeek与YOLO融合技术的微信小程序实现方案

本文介绍了一个基于微信小程序和Flask后端的智能图像检测系统。系统采用DeepSeek-7B进行自然语言理解，YOLOv8执行目标检测，并通过融合验证模块确保结果准确性。核心流程包括：用户通过小程序上传图片和文本需求，后端解析意图后执行目标检测，最后验证并返回结果。关键技术包括DeepSeek的指令理解、动态阈值调整和模型优化（ONNX、TensorRT）。系统适用于工业质检等场景，如"检测表面划痕"，能自动识别目标并验证结果。部署需GPU服务器，并包含安全机制保障系统稳定运行。

老郑的博客 273

LazyGraphRAG：微软推出的图形增强生成增强检索框架

LazyGraphRAG是微软研究院推出的图形增强生成增强检索框架，旨在大幅降低数据索引成本并提高查询效率。该框架结合了最佳优先搜索和广度优先搜索，支持本地和全局查询，适用于一次性查询、探索性分析和流数据处理。LazyGraphRAG将加入开源的GraphRAG库，为开发者和企业提供更高效的技术支持。

士多啤梨先生の博客 943

Probability and Statistics - 4th edition

复分析阿尔福斯(Ahlfors) 第三版答案英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案

微软LazyGraphRAG框架：索引成本约GraphRAG的0.1%

微软近日发布了GraphRAG的迭代版本LazyGraphRAG，解决了原版在处理全局数据查询时高成本和延迟的问题。LazyGraphRAG在数据索引阶段不进行预先总结，采用NLP名词短语提取和图统计优化概念图，显著降低了索引成本（仅为原版的0.1%）。查询处理方面，LazyGraphRAG结合最佳优先搜索和广度优先搜索，动态选择相关社区，提升查询效率和准确性。实验表明，LazyGraphRAG在不同预算下均表现出色，兼具低成本和高性能优势。

m0_59163425的博客 1412

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版【x86|x64】

LazyGraphRAG:微软重磅推出高性价比下一代GraphRAG

微软研究院推出了LazyGraphRAG，这是一种新型的图形增强生成增强检索（RAG）方法。这种方法显著降低了索引和查询成本，同时在回答质量上保持或超越竞争对手，使其在多种用例中具有高度的可扩展性和高效性。关键要点:- **成本效益**：LazyGraphRAG在数据索引成本方面大幅下降，仅为GraphRAG的0.1%。同时，其成本与向量RAG相当。- **查询性能**：在与向量RAG相近的查询成本下，LazyGraphRAG在本地查询方面的性能超越了其他竞品。

z551646的博客 1491

IEM模型，地表粗糙度模拟

利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟

从GraphRAG到LazyGraphRAG

m0_59163425的博客 1903

重磅，微软LazyGraphRAG正式开源及实现细节剖析！

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

m0_59235945的博客 1679

LazygraphRAG 和GraphRAG 对比

微软近日发布了GraphRAG的迭代版本LazyGraphRAG，解决了原版在处理全局数据查询时高成本和延迟的问题。LazyGraphRAG在数据索引阶段不进行预先总结，采用NLP名词短语提取和图统计优化概念图，显著降低了索引成本（仅为原版的0.1%）。查询处理方面，LazyGraphRAG结合最佳优先搜索和广度优先搜索，动态选择相关社区，提升查询效率和准确性。适用于中小企业和个人开发者，适合内容推荐系统和项目管理工具等场景。实验表明，LazyGraphRAG在不同预算下均表现出色，兼具低成本和高性能优势

putaolove的博客 1202

1000倍！成本惊天大缩减！微软将开源超强RAG— LazyGraphRAG

RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了信息检索技术与语言生成模型的人工智能技术。

qingkahui24689的博客 1357

自然语言处理:第七十二章微软推出超越自己GraphRAG的LazyGraphRAG

今年7月，微软首次开源了超大知识索引GraphRAG，仅4个多月的时间在Github已超过19000颗星，成为目前最火的RAG框架之一。但GraphRAG在处理全局数据查询时成本非常高，尤其是应用在那些大参数的AI模型中格外明显，查询的过程中也存在延迟、不准确等问题。11月底微软研究院推出了LazyGraphRAG，这是一种新型的图谱增强生成增强检索（RAG）方法。这种方法显著降低了索引和查询成本，同时在回答质量上保持或超越竞争对手，使其在多种用例中具有高度的可扩展性和高效性。关键要点:

victor_manches的博客 1058

微软LazyGraphRAG来了，700倍成本压缩！

微软最新又改版了一波GraphRAG，这波把知识图谱丢了，只剩下无向图了。带来的优势是：LazyGraphRAG 数据索引成本与向量 RAG 相同，且为全图 RAG 成本的 0.1%。对于与向量 RAG 相当的查询成本，LazyGraphRAG 在局部查询中优于所有竞争方法，包括LongRAG 和 GraphRAG DRIFT 搜索以及 GraphRAG 局部搜索。