认识GraphRAG

GraphRAG（Graph-based Retrieval-Augmented Generation）是微软提出的新一代检索增强生成技术，其核心创新在于将知识图谱与大语言模型（LLM）深度融合，突破传统RAG技术的局限性。

工作流程

• 索引构建阶段 ：

  • 文本块分割 ：将源文档分割成多个重叠的文本块，每个文本块包含 500-1000 个 token。

  • 实体、关系和协变量提取 ：使用 LLM 从每个文本块中提取出实体（如人名、地点、组织等）、关系（如 “位于”“工作于” 等）以及协变量（如时间、地点等附加信息），并构建初始知识图谱，以 JSON 格式分别存储实体、关系和协变量。

  • 层次社区划分 ：通过 Leiden 算法对初始知识图谱进行多层社区划分，形成 “主题→子主题→具体实体” 的层次结构，每个社区由一组密切相关实体组成。

  • 社区摘要生成 ：使用 LLM 为每个社区生成摘要，自底向上逐层生成，低层社区摘要聚焦细节，高层社区摘要整合主题共性，以压缩文本量并提升检索效率。

• 查询响应阶段 ：

  • 查询解析与关键词提取 ：解析用户查询，提取其中的关键词。

  • 社区匹配与摘要检索 ：匹配包含相关关键词的社区，将社区摘要分块。

  • 中间答案生成与合并 ：利用 LLM 并行对分块后的社区摘要生成中间答案，然后按评分合并生成最终全局答案。必要时，可递归调用低层社区检索以补充细节。

与传统 RAG 的本质区别

• 知识表示方式

  • 传统 RAG：依赖文本块（chunk）的向量相似性匹配，检索范围局限于局部片段，难以捕捉跨文本的隐含关系67。

  • GraphRAG：将非结构化文本转化为知识图谱（实体为节点、关系为边），支持多跳推理与语义聚合。例如，查询“高性能摄影手机”时，可通过图谱关联“摄像头参数”“用户评价”等分散实体，生成综合答案1610。

• 查询能力对比

  查询类型	传统 RAG	GraphRAG
  多跳关系推理	弱（依赖分块匹配）	强（图遍历）
  全局摘要问题	碎片化答案	社区摘要合成
  隐性关系挖掘	有限	通过图谱链接隐含概念

GraphRAG 通过知识图谱的结构化表示解决了传统 RAG 在复杂查询中的瓶颈，尤其擅长多跳推理、全局摘要及隐性关系挖掘。尽管面临成本与性能挑战，其在垂直领域（医疗、法律、商业）的实践已验证显著效果。未来随着轻量化框架（如 LightRAG）与自动化图谱技术（如 SAC-KG）的发展，GraphRAG 有望成为企业级知识系统的核心组件