【程序员必看】GraphRAG入门指南：构建超越传统RAG的知识图谱问答系统（建议收藏）

GraphRAG是微软推出的新型RAG系统，将知识组织成知识图谱（实体为节点，关系为边），解决了传统RAG系统跨文档信息不连贯的问题。通过索引阶段构建知识骨架和查询阶段综合信息，使大模型能理解信息间的逻辑连接，从"查字典"升级到"读书"。文章提供了基于Neo4j和LangChain的详细实现代码，并介绍了结合传统RAG的混合知识库系统，为复杂知识库问答提供更全面的解决方案。

一、传统RAG的天花板

如果你用过RAG系统，可能也遇过类似的问题：

• 跨文档的信息无法连贯
• 检索文档越多，回答质量反而下降
• 融合多个数据源的知识特别困难

想象一下，用传统搜索方式在食谱书里找"炒鸡蛋"和"西红柿鸡蛋面"的做法，速度快得很。但如果你想知道为什么西红柿和鸡蛋搭配得这么完美，关键词搜索就显得无力了。

这正是传统语义检索方式的局限——它很擅长精确匹配，但不擅长理解隐藏在信息后面的深层逻辑。

二、GraphRAG出现了

微软推出了一套新方案来解决这个问题：GraphRAG（图检索增强生成）。核心思路很简单——与其把知识存成散乱的文本块，不如把它组织成一张知识图谱，其中实体是节点，实体之间的关系是边。

这样做有什么好处呢？

当大模型需要回答一个复杂问题时，它不再是盲目地找相似的文本段落，而是能够：

• 看到实体之间的关系
• 理解信息之间的逻辑连接
• 跨多个社区综合回答

简单说，GraphRAG让大模型从"查字典"升级到了"读书"。

三、它是怎么工作的

GraphRAG的工作流程分为两个阶段：索引阶段和查询阶段。

1、索引阶段：构建知识的骨架

首先，系统会把源文档分成可管理的文本单元。然后大模型出手了，它会自动：

• 识别实体和关系——从文本中提取出人、地点、公司等实体，以及它们之间的联系
• 构建知识图——用节点代表实体，用边代表关系
• 检测社区——使用Leiden算法找出紧密相关的实体集群
• 生成摘要——为不同级别的社区生成分层摘要

这个过程中，有两个关键步骤特别值得关注：

图抽取的目标是从原始数据中识别有意义的信息，把它们组织成图的形式。图摘要则是把复杂的图结构简化，去掉冗余信息，突出关键内容。就像整理一个杂乱的书架，既要保留重要的书，又要删除过期的杂志。

2、查询阶段：精准找到答案

当用户提问时，系统会：

• 判断问题的复杂程度，选择合适的社区级别
• 在选定的社区中检索相关信息
• 从多个相关社区综合生成答案
• 最后整合成一个完整的回复

这比传统RAG的做法要聪明得多。传统方式是匹配用户查询和文本块的相似度，而GraphRAG是在理解的基础上进行推理。

四、怎样实现它

理论讲到这儿，你可能想知道——这东西怎么落地？

市面上有现成的工具可用。微软有官方的GraphRAG实现，但也有更灵活的方案。比如用Neo4j + LangChain的组合，就特别受欢迎。

Neo4j是一个图数据库，专门用来存储和查询图结构的数据。LangChain是一个大模型框架，能把各种工具串联起来。把它们组合使用，就能搭建一个强大的GraphRAG系统。

五、代码实战：一步步搭建你的GraphRAG

我把整个实现过程整理成了可运行的代码。假设我们要构建一个关于科技公司的知识图。

第一步：准备环境和数据

# 安装必要的库
# pip install langchain neo4j langchain-openai langchain-experimental
from langchain_core.documents import Document
# 准备你的数据（可以是公司信息文档）
content = """
小米科技有限责任公司是一家专注于研发和推出创新技术的公司。
小米推出了智能家居产品和5G技术。
华为技术有限公司与清华大学建立了深度合作。
华为参与了5G标准的制定。
小米与美团合作开发物流解决方案。
"""
# 转化为Document对象
documents = [Document(page_content=content)]
print(f"加载了{len(documents)}份文档")

第二步：连接Neo4j并创建知识图

from langchain_community.graphs import Neo4jGraph
from langchain_experimental.graph_transformers import LLMGraphTransformer
from langchain_openai import ChatOpenAI
# 连接到Neo4j数据库（使用免费的Neo4j Aura）
graph = Neo4jGraph(
url="neo4j+s://your-db-uri",  # 替换为你的Neo4j URI
username="neo4j",
password="your-password",      # 替换为你的密码
database="neo4j"
)
# 初始化LLM
graph_llm = ChatOpenAI(temperature=0, model_name="gpt-4o-mini")
# 创建图转换器，定义你要提取的实体和关系类型
graph_transformer = LLMGraphTransformer(
llm=graph_llm,
allowed_nodes=["公司", "产品", "技术", "教育机构", "合作伙伴"],
allowed_relationships=["推出", "参与", "合作", "位于", "开发"],
)
# 执行转换：从文档中提取实体和关系
graph_documents = graph_transformer.convert_to_graph_documents(documents)
# 将图数据导入Neo4j
graph.add_graph_documents(graph_documents)
print(f"成功导入{len(graph_documents)}个图文档")
print(f"提取的实体: {[node.id for node in graph_documents[0].nodes]}")
print(f"提取的关系: {[(rel.source.id, rel.type, rel.target.id) for rel in graph_documents[0].relationships]}")

第三步：用GraphRAG查询知识图

from langchain.chains import GraphCypherQAChain
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
# 创建Cypher查询链
cypher_chain = GraphCypherQAChain.from_llm(
graph=graph,
cypher_llm=llm,
qa_llm=llm,
validate_cypher=True,
verbose=True,  # 设置为True可以看到生成的Cypher查询过程
allow_dangerous_requests=True
)
# 测试几个问题
queries = [
"小米科技有限责任公司推出了哪些创新技术？",
"华为技术有限公司与哪些教育机构建立了合作？",
"都有哪些公司在我的数据库中？"
]
for query in queries:
print(f"\n问题: {query}")
response = cypher_chain.invoke(query)
print(f"答案: {response['result']}")
print("-" * 50)

六、更进一步：混合知识库系统

如果你想同时使用GraphRAG和传统RAG，我也准备了代码。这样可以兼得两种方法的优势。

第四步：建立向量数据库（传统RAG）

from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_milvus import Milvus
# 分割文本
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=250,
chunk_overlap=30
)
splits = text_splitter.split_documents(documents)
# 创建向量嵌入
embeddings = OpenAIEmbeddings(model="text-embedding-3-large")
# 连接到Milvus向量数据库（使用免费的Zilliz云服务）
vectorstore = Milvus.from_documents(
documents=splits,
collection_name="company_rag_milvus",
embedding=embeddings,
connection_args={
"uri": "https://your-milvus-uri",  # 替换为你的Milvus URI
"user": "your-username",
"password": "your-password",
}
)
print(f"向量数据库已创建，包含{len(splits)}个文本块")

第五步：构建传统RAG代理

from langchain.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser
# 定义RAG提示词
prompt = PromptTemplate(
template="""你是一个问答助手。
使用以下检索到的上下文来回答问题。如果你不知道答案，就说你不知道。
最多使用三句话，保持简洁：
问题: {question}
上下文: {context}
答案:""",
input_variables=["question", "context"],
)
# 构建RAG链
rag_chain = prompt | graph_llm | StrOutputParser()
# 执行查询
question = "我的知识库中都有哪些公司信息？"
retriever = vectorstore.as_retriever(search_kwargs={"k": 2})
# 检索相关文档
docs = retriever.invoke(question)
# 生成回答
generation = rag_chain.invoke({
"context": "\n\n".join([doc.page_content for doc in docs]),
"question": question
})
print(f"RAG系统的回答: {generation}")

第六步：多代理系统——让两种方法协同工作

from langgraph.graph import StateGraph, MessagesState, START, END
from langchain_core.messages import HumanMessage
from typing import Literal
from typing_extensions import TypedDict
class AgentState(MessagesState):
next: str
class Router(TypedDict):
"""路由到不同的子代理"""
next: Literal["graph_kg", "vec_kg", "FINISH"]
# 图数据库代理
def graph_kg_agent(state: AgentState):
messages = state["messages"][-1]
response = cypher_chain.invoke(messages.content)
return {
"messages": [HumanMessage(content=response["result"], name="graph_kg")]
}
# 向量数据库代理
def vec_kg_agent(state: AgentState):
messages = state["messages"][-1]
retriever = vectorstore.as_retriever(search_kwargs={"k": 2})
docs = retriever.invoke(messages.content)
generation = rag_chain.invoke({
"context": "\n\n".join([doc.page_content for doc in docs]),
"question": messages.content
})
return {
"messages": [HumanMessage(content=generation, name="vec_kg")]
}
# 主管代理：判断用何种方式回答
def supervisor(state: AgentState):
system_prompt = """你是一个任务主管，管理两个工作者：
- graph_kg: 基于知识图，擅长回答全局、综合性问题
- vec_kg: 基于向量检索，擅长回答细节问题
根据用户问题，判断应该使用哪个工作者。"""
messages = [{"role": "system", "content": system_prompt}] + state["messages"]
response = graph_llm.with_structured_output(Router).invoke(messages)
next_worker = response["next"]
if next_worker == "FINISH":
next_worker = END
return {"next": next_worker}
# 构建图
builder = StateGraph(AgentState)
builder.add_node("supervisor", supervisor)
builder.add_node("graph_kg", graph_kg_agent)
builder.add_node("vec_kg", vec_kg_agent)
# 设置工作流
builder.add_edge(START, "supervisor")
for worker in ["graph_kg", "vec_kg"]:
builder.add_edge(worker, "supervisor")
builder.add_conditional_edges("supervisor", lambda state: state["next"])
# 编译并运行
multi_agent_graph = builder.compile()
# 测试多代理系统
test_queries = [
"都有哪些公司在我的数据库中？",  # 应该用graph_kg
"小米推出了什么技术？"            # 应该用graph_kg
]
for query in test_queries:
print(f"\n用户问题: {query}")
for output in multi_agent_graph.stream(
{"messages": query},
stream_mode="values"
):
last_message = output["messages"][-1]
print(f"{last_message.name}: {last_message.content}")
print("-" * 50)

七、快速上手的步骤

第一步：准备Neo4j实例。可以用免费的Neo4j Aura云服务，注册即用，不需要本地部署。

第二步：用LLM把文档转换成图。这里可以自定义节点类型和关系类型，比如：

• 节点：公司、产品、技术、市场
• 关系：推出、合作、开发、位于

系统会自动提取文档中对应的实体和关系，构建知识图。

第三步：可视化和验证。登录Neo4j平台，就能看到生成的完整知识图。确保数据准确后，就可以用来回答问题了。

八、更进一步：混合知识库

这是我最近在做的一个有意思的尝试——同时使用GraphRAG和传统RAG。

想法是这样的：GraphRAG擅长回答宏观、全面的问题，比如"这个公司有哪些合作伙伴"。而传统RAG擅长处理细节问题，比如"某个产品的具体参数是什么"。

所以我搭建了一个多代理系统，用supervisor来判断用户问题的类型，然后路由到不同的知识库：

• graph_kg：基于知识图的代理，处理全局性问题
• vec_kg：基于向量的代理，处理细节问题

向量数据库我选择了云端的Milvus，这样避免了本地部署的麻烦。两个代理各司其职，大模型在它们之间充当主管，协调分工。

实际测试效果还不错。问"数据库里有哪些公司"时，graph_kg会遍历整个知识图给出完整列表。问"某个公司推出了哪些创新技术"时，它会基于实体之间的关系进行推理。

九、总结

从传统RAG到GraphRAG，这不仅是技术的升级，更是思维方式的转变。

我们不再只是被动地检索信息片段，而是主动构建知识的结构。大模型也不再只是做语言匹配，而是真正在理解和推理。

虽然GraphRAG还不是完美的（毕竟也依赖于大模型的抽取质量），但方向是清楚的——让AI系统更像人类思考一样，理解信息之间的关系，看到知识的全貌。

如果你的业务涉及复杂的知识库问答，值得尝试一下。而且现在有免费的云服务可以用，技术上的壁垒已经不那么高了。

把上面的代码复制下来，替换成你自己的API密钥和数据库URI，就可以跑起来了。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？