基于图的检索增强生成（GraphRAG）概述

本文基于论文《Retrieval-Augmented Generation with Graphs (GraphRAG)》的内容总结完成。

论文实现的项目地址为：https://http://github.com/Graph-RAG/GraphRAG/

论文《Retrieval-Augmented Generation with Graphs (GraphRAG)》主要探讨了如何将检索增强生成（RAG）与图数据相结合，以改善下游任务的执行效果。以下是对论文的详细总结和概述：

摘要

检索增强生成（RAG）是一种强大的技术，它通过从外部数据源检索额外信息（如知识、技能和工具）来增强下游任务的执行能力。图（Graph）因其“节点通过边连接”的特性，能够编码大量的异构和关系信息，使其成为 RAG 在现实世界应用中的重要资源。因此，近年来人们对结合图数据与 RAG（即 GraphRAG）的关注日益增加。

然而，与传统 RAG 不同，GraphRAG 在设计时面临独特的挑战，例如：

1. 图数据结构的多样性和领域特定性，使得无法直接使用神经嵌入空间统一设计检索器、生成器和数据源。
2. 现有的 RAG 方法主要依赖向量相似性检索，而 GraphRAG 需要利用图机器学习（如图神经网络GNNs）和图分析技术（如