RAG与GraphRAG的区别

最新推荐文章于 2025-04-25 14:57:08 发布
最新推荐文章于 2025-04-25 14:57:08 发布
阅读量1.5k 收藏 24
点赞数 22
分类专栏： 混杂 文章标签： RAG GraphRAG LLm 大模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/dh798417147/article/details/145318251
版权

文章目录

前言

RAG (Retrieval-Augmented Generation) 和 GraphRAG (Graph-Based Retrieval-Augmented Generation) 是两种用于生成增强型问答的技术，但它们的核心数据结构和适用场景有所不同。

RAG 的特点

核心思想

RAG结合了信息检索和生成模型：

  • 首先通过检索模块（如向量数据库、全文检索系统等）从外部知识库中检索相关文档。
  • 然后将检索到的文档作为上下文输入到生成模型（如GPT）中生成答案。

数据结构

使用向量数据库（如Pinecone、Milvus、Elasticsearch）来存储知识点，检索方式通常基于语义搜索。

优势

  • 适合非结构化文本数据（如文章、网页、PDF等）的问答。
  • 适配复杂的语言生成任务，依赖强大的生成模型。
  • 实现相对简单，扩展性高。

局限性

  • 无法处理深度关联性强的多跳推理问题。
  • 检索结果依赖于向量召回质量，关系链较弱。

应用场景

  • 文档问答系统、搜索引擎增强回答。
  • FAQ 问答、知识库整合生成。

GraphRAG 的特点

核心思想

GraphRAG结合图数据库（如Neo4j、TigerGraph）与生成模型：

  • 首先通过图数据库从结构化数据中检索相关节点和路径。
  • 然后将这些结构化的知识路径作为生成模型的输入上下文，用于答案生成。

数据结构

使用图数据库，以节点和边的形式存储实体和关系，适合存储高度关联的数据。

优势

  • 擅长多跳推理和关系型问答（e.g., “A和B通过什么关系相关？”）。
  • 可以轻松处理结构化和半结构化的数据，尤其是复杂的知识图谱。
  • 数据更新和查询效率高，适合实时推理。

局限性

  • 对于非结构化文档支持较弱，依赖预先构建的图谱。
  • 需要额外的工作将非结构化数据转化为结构化知识图谱。

应用场景

  • 知识图谱问答系统、企业内部知识库。
  • 生物医药（如蛋白质-基因关系）、社交网络分析、推荐系统。

如何选型

RAG 更适合的场景

  1. 数据类型：主要是非结构化文本（如大规模文档、文章等）。
  2. 目标：希望快速构建问答系统，专注于生成的语言质量。
  3. 复杂度 ：问题逻辑简单，主要依赖检索到的上下文生成答案。
  4. 实现成本：向量数据库和生成模型的集成成本较低。

GraphRAG 更适合的场景

  1. 数据类型：具有明确的实体和关系（如知识图谱）。
  2. 目标：需要多跳推理、复杂关系挖掘或动态关联查询。
  3. 复杂度：问题涉及深度关联性或推理，生成答案前需要多步检索。
  4. 实现成本：已构建图数据库，或者需要系统性利用图谱存储数据。

示例场景

多跳推理问题

问题：
“哪位作家通过《某本书》间接影响了现代科技的创新？”

  • 数据类型：
    • 作家、书籍、领域、人物、贡献等以结构化形式存储。
    • 图数据库中可能包含如下关系：
      • 作家 → 写作 → 书籍
      • 书籍 → 主题 → 科技领域
      • 科技领域 → 影响 → 科学家
  • RAG 的处理流程：
    1. 检索模块从语料库中召回相关文档，如：
      • 文档 A：“作家 X 写了《某本书》。”
      • 文档 B：“《某本书》探讨了科技的可能性。”
      • 文档 C：“某科学家基于该书的理论做了创新工作。”
    2. 生成模块将这些文档拼接并尝试生成答案。

RAG 的问题：

  • 无法显式建立跨文档的逻辑链条。生成的答案可能笼统（如缺乏具体的推理逻辑）。
  • 如果检索到的文档不完整，答案会有信息缺失。

GraphRAG 的处理流程：

  1. 使用图数据库查询构建显式路径：

    • 查询：“找到作家与现代科技领域的影响路径。”
    • 图数据库返回的路径可能是：
      作家 X → 写作 → 《某本书》 → 主题 → 科技领域 → 影响 → 某科学家

  2. 将路径结果传递给生成模块，模型基于显式逻辑链生成答案，如：

    • “作家 X 写作的《某本书》探讨了科技领域，该领域后来影响了某科学家的创新工作。”

GraphRAG 的优势：

  • 数据库显式建立了从作家到科技领域的推理路径，无需依赖生成模型推理多跳关系。
  • 答案更具逻辑性和准确性。

推荐系统中的复杂关系

问题：
“推荐一个和用户兴趣相关、同时朋友也喜欢的电影。”

  • 数据类型：
    • 图数据库中包含：
      • 用户 → 兴趣 → 类型
      • 类型 → 电影
      • 用户 → 朋友 → 喜欢的电影
  • RAG 的处理流程：
    1. 检索模块召回与“用户兴趣相关的电影”或“朋友喜欢的电影”的文档。
    2. 生成模块拼接检索结果后生成答案。

RAG 的问题：

  • 难以同时满足“用户兴趣相关”和“朋友喜欢”的双重条件，可能生成偏颇或不相关的推荐结果。
  • 无法直接处理“朋友关系”这种多跳关联性。

GraphRAG 的处理流程：

  1. 使用图数据库查询构建显式路径：

    • 查询：“找到用户兴趣和朋友喜欢的电影交集。”
    • 图数据库返回路径：
      用户 A → 兴趣 → 动作类型 → 电影《X》  
用户 A → 朋友 → 喜欢 → 电影《X》

  2. 将查询结果传递给生成模块，生成答案：

    • “推荐电影《X》，它既符合您的兴趣（动作类型），也是您朋友喜欢的作品。”

GraphRAG 的优势：

  • 精准找到满足多条件（兴趣和朋友喜欢）交集的答案。
  • 图数据库高效处理复杂关联，比语义检索更可靠。

社交网络中的影响力分析

问题：
“用户 A 和用户 B 之间通过哪些共同兴趣或朋友相连？”

  • 数据类型：
    • 用户、兴趣、好友关系等以图形式存储：
      • 用户 → 兴趣 → 兴趣节点
      • 用户 → 朋友 → 用户
  • RAG 的处理流程：
    1. 检索相关文档，可能返回：
      • 文档 A：“用户 A 对兴趣 X 感兴趣。”
      • 文档 B：“用户 B 也喜欢兴趣 X。”
      • 文档 C：“用户 A 和用户 C 是朋友。”
      • 文档 D：“用户 C 和用户 B 是朋友。”

RAG 的问题：

  • 无法直观地构建用户 A 和用户 B 的多跳关系链。
  • 生成答案依赖于召回文档的完整性，容易遗漏信息。

GraphRAG 的处理流程：

  1. 图数据库执行路径查询：

    • 查询：“用户 A 和用户 B 的所有可能连接路径。”
    • 图数据库返回的路径可能是：
      用户 A → 兴趣 → X → 兴趣 → 用户 B  
用户 A → 朋友 → 用户 C → 朋友 → 用户 B

  2. 生成模块基于路径生成答案：

    • “用户 A 和用户 B 通过共同兴趣 X 和朋友 C 相关联。”

GraphRAG 的优势：

  • 显式路径构建，保证答案的准确性和可解释性。
  • 数据库查询效率高，无需担心遗漏信息。

总结

  1. GraphRAG 的适用性强于 RAG 的场景
  • 多跳推理：涉及多个实体和关系时（如知识图谱、社交网络）。
  • 多条件约束：需要同时满足多个条件或属性筛选（如推荐系统）。
  • 复杂关系查询：需要显式路径推理的场景，避免生成模型逻辑混乱。
  1. 建议
  • 如果你的任务有明确的结构化数据和复杂关系，可以优先选择 GraphRAG。
  • 如果数据是非结构化文档，RAG 更适合处理直接检索的问答场景。
  • 如果数据来源是文档和语料库，且追求简单易用和广泛适配性，选择 RAG。
  • 如果已有知识图谱或需要构建基于关系的复杂问答系统，选择 GraphRAG。
  • 在实际项目中，还可以结合两者：
    • RAG for initial context retrieval（从文本中检索知识）。
    • GraphRAG for reasoning（补充多跳推理的能力）。
实战GraphRAG（一）：初步体验GraphRAG及其与RAG的对比
mtl1994的博客
07-16 1661
通过本文的初步体验，我们了解了GraphRAG与RAG的基本区别。GraphRAG利用知识图谱和社区摘要，提高了复杂信息处理和私有数据集推理的性能，虽然在搜索速度上略有不及，但其准确性和相关性表现更优。本文还通过实际示例展示了如何安装和配置GraphRAG，并执行全局搜索和本地搜索。GraphRAG在处理复杂查询和多源信息时展现了独特的优势，适合需要深度理解和综合分析的应用场景。未来，我们将进一步探讨其高级功能和优化方法。示例请参考GraphRAG文档。
从RAG到GraphRAG的应用落地揭秘
强化学习曾小健
05-21 1896
RAG（检索增强生成）是什么？正如提到的那样，它是一种技术，可以“良好”地解释用户的查询，检索“相关”信息，将其处理为上下文，然后将此有用信息融入回复中。正如引用的网站所指出的，RAG以其成本效益、相对准确性、提供领域特定语境的充足性、反映最新信息的能力以及追踪信息来源文档的透明度和可解释性等特点而被认为是一种主要选择的方法。
一文看懂GraphRAG与传统RAG的7大区别及融合方案，你会怎么选择？
m0_63171455的博客
09-04 3650
其借助社区检测算法来识别知识图谱中的多个社区，并利用LLM对这些社区进行总结与摘要。因此，当回答类似这样的问题：“最近几年高端智能手机的整体发展趋势是怎样的？Microsoft GraphRAG会通过Map-Reduce算法首先从多个不同的关联社区（比如不同年份社区）来搜集到“高端智能手机”的信息（Map），最后汇总生成全局性答案（Reduce）。
一文搞懂GraphRAG（RAG + 知识图谱）
m0_63171455的博客
04-24 1816
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；示例：若另一文本提到“胰岛素的副作用包括低血糖”，则将其与现有关系融合，形成更完整的图谱。
大模型 | GraphRAG 与 RAG 的比较分析（非常详细）零基础入门到精通，看完这一篇就够了
老皮的博客
09-22 2718
Graph RAG 是 RAG 方法的一个高级变体，其特点是引入了图结构数据。与将知识库视为平面文档集合不同，Graph RAG 将信息表示为实体和关系的互联网络。Graph RAG 技术通过引入图结构化的知识表示和处理方法，显著增强了传统 RAG 系统的能力。它不仅提高了信息检索的准确性和完整性，还为复杂查询和多步推理提供了更强大的支持。这种方法在处理需要深度上下文理解和复杂关系分析的任务中，展现出了明显的优势。
GraphRAG = 知识图谱 + RAG，优化全局搜索+局部搜索，以及部署指南
Debroon
07-01 7039
基于社区的多层次摘要策略。类似于医学综述文章，从概括性的疾病描述到具体的治疗案例详细讲述，Graph RAG通过从不同层次生成摘要，提供从广泛到具体的多维度信息视角。之所以使用多层次的社区摘要生成，是因为不同层次的摘要可以满足从一般到特定的不同查询需求，提供不同深度的信息视角，帮助用户更好地理解复杂的医学问题。这些子解法形成了一种链条的逻辑链，每个子解法都依赖于前一个解法的输出作为其输入，形成一个高效、层次分明的查询和分析流程，类似于医学诊断和研究中的步骤分解和逐级深入的方法。
在 RAGFlow 中实践 GraphRAG
datageek的博客
08-07 5736
RAGFlow 0.9 版本发布，正式引入了对 GraphRAG 的支持。
RAG与GraphRAG
02-13
### RAG 和 GraphRAG 的比较 #### 架构差异 Retrieval-Augmented Generation (RAG) 结合了检索模型和生成模型的优点，在处理自然语言理解和生成任务时表现出色[^1]。相比之下，GraphRAG不仅继承了RAG的特点，还引入...
从原生检索到异构图：Native RAG、GraphRAG 与 NodeRAG 架构全景解析
最新发布
朴拙科技的博客
04-25 1068
Retrieval-Augmented Generation (RAG) 是将检索到的外部知识与大语言模型 (LLM) 输出相结合的技术。Native RAG（基线 RAG）使用向量索引和相似度检索；GraphRAG则在此基础上引入知识图谱结构，以捕捉实体间关系并指导检索与生成；RAG 效果优化主要包含检索器精炼、索引策略与提示工程等技术；NodeRAG进一步将异构图结构融入 RAG 流程，实现多层次、多类型节点的无缝整合，提升多跳推理能力。以下各节分别阐述它们的框架与组成，并给出 Python 示例。
LLM之RAG理论（十二）| RAG和Graph RAG对比
wshzd的博客
07-23 1491
与传统 RAG 相比，Graph RAG 的主要优势在于它能够检索有关查询中提到的实体的全面详细信息。当我们仔细观察架构时，我们可以看到，首先将文档拆分为可管理的块，并将这些块转换为实体和关系，这些实体和关系构成了知识图谱的基础。在基于LLM问答的系统中实施 RAG 的主要好处是它确保模型可以访问最新、最可靠的事实，并且用户可以访问模型的来源，确保其声明可以被检查为准确性并最终被信任。检索增强生成（RAG）是一个框架，通过支持外部知识源的模型来补充LLM信息的内部表示，从而提高LLM生成响应的质量。
从 RAG 到 GraphRAG：利用知识图谱转变信息检索
xx_nm98的博客
07-10 2711
GraphRAG 在 RAG 概念的基础上更进一步，引入了一个两步流程，该流程利用从大型语言模型（LLMs）中提取的知识图谱。
GraphRAG与RAG对决：深度比较与全面解析
Everly_的博客
09-25 965
检索增强生成（Retrieval-Augmented Generation，简称 RAG）是一种旨在提升大型语言模型（Large Language Models，LLMs）性能的技术方法。其核心思想是通过整合外部可靠知识库的信息来增强模型的输出质量。RAG 的工作原理可以概括如下：当 LLM 接收到查询时，它不仅依赖于自身的预训练知识，还会主动从指定的知识源检索相关信息。这种方法确保了生成的输出能够参考大量上下文丰富的数据，并得到最新、最相关可用信息的支持。
RAG -GraphRag 知识点
serviceLive的博客
04-17 588
通过 NLP 技术（依存分析、共现分析、预训练模型）建立节点间的边（如因果关系、隶属关系）。：将非结构化文本转换为图结构（知识图谱），利用图算法增强检索与生成过程的语义关联性。：将子图或路径转换为文本提示（Prompt），输入大语言模型（LLM）生成最终回答。显式建模实体间的多跳关系，支持复杂推理（如因果链、事件演化）。：抽取实体、事件、概念等作为图节点（如人名、地点、术语）。：结合图结构中的关系约束，减少生成中的“幻觉”现象。：非结构化文本（文档、网页、对话记录等）。：包含丰富语义关系的知识图谱。
实战微软新一代RAG：GraphRAG
我是新手的博客
07-21 1928
1.它是基于LLM构建的知识图谱，在构建过程中会消耗大量的Token，其中本次测试2.9w花费了大概13w token。2.它支持2种搜索方法，局部和全局，全局效果最好，但是对模型的token处理能力有要求。3.框架仅支持OpenAI SDK协议的的LLM，国内目前只有千问和月之暗面可以，如果精力充足的网友也可以基于OpenAI的协议魔改自己想要接入的大模型，其实就是封装一个网关。
GraphRAG与传统RAG怎么选？二者的融合方案是什么
m0_59163425的博客
09-11 1354
最近工作比较忙，一直在重构公司现有的RAG推荐系统。在给GraphRAG提交了几个PR并成功合并后，暂时没有继续对GraphRAG做出更多贡献。然而，最近同事和粉丝纷纷私信我，他们最常问的问题有：“什么时候应该使用GraphRAG？”，“在哪些场景下应该使用传统的RAG"以及"我们目前在公司使用的是传统RAG，那要如何与GraphRAG相结合呢？为了系统地解答这些问题，我决定写一篇文章，对这些问题进行详细的探讨。我将先从多个方面解释GraphRAG和传统RAG的区别，然后给出二者如何结合的简单思路。
RAGFlow v0.9 重磅升级，支持 GraphRAG，开启下一代 RAG 之旅！
FrenzyTechAI的博客
08-09 3399
RAGFlow v0.9 的发布，标志着知识图谱增强型 RAG 系统 (RAG 2.0) 的全新时代正式开启。GraphRAG 作为其中的先行者，展现了 LLM 驱动下的知识图谱构建技术所蕴含的巨大潜力。它不仅为 RAG 系统注入了更强大的语义理解和知识推理能力，也为智能问答、语义搜索、知识发现等领域的应用打开了新的大门。GraphRAG 之所以能够取得成功，很大程度上得益于它对传统知识图谱构建流程的简化，使其更容易在实际工程中落地。
RAGFlow 0.16.0 特性总览——GraphRAG、标签库及其他
datageek的博客
02-07 5131
RAGFlow 0.16.0 是 2025年的第一个 release。春节期间 DeepSeek R1 火遍全世界，这让我们在之前作出的预测——2025 年下半年开启 LLM 的理解与决策的时间点，大大提前。因此，在后续的版本迭代中，将逐步开启对 Contextual Memory，以及 Reasoning 方面的功能，欢迎大家提出对这方面功能的场景和需求定义。欢迎大家持续关注 RAGFlow https://github.com/infiniflow/ragflow，在 GitHub 上给我们点亮⭐️。
GraphRAG：知识图谱+RAG技术
热门推荐
2401_84208172的博客
10-15 1万+
由于RAG的一些缺陷，最近工作中用到了GraphRAG，可以简单理解为知识图谱+RAG工作，在进行QFS与深度推理上表现良好。老板希望，在类似于库存管理、预测上面，可以结合更多的上下文信息和逻辑关系，进行推理和结果的输出。（下图为RAG简单示意图）
基于graphRAG和gpt4omini的知识库与目前主流RAG的对比实验记录
m0_59164520的博客
07-23 1204
在今年的4月份，微软团队就早早在git和arxiv占了个坑，不过是先发表了论文，一直到7月初才开源了代码，这期间，于我自身发生了太多事情，城市变迁与努力很久的目标再次失之交臂，加上一系列的破财消灾，以至于我是4月底看到了论文，非常期待在之后的工作中使用并加速商业化，但直到工作都结束了，还没等到，现在回看论文，突然就有了种"何当共剪西窗烛，却话巴山夜雨时"之感，相比于后来的开源框架，论文数据当然是漂亮又可信的，比如说为什么要提出graphRAG呢？
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

kse_music

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值