AI 智能体

概念解析——GraphRAG

GraphRAG(Graph Retrieval-Augmented Generation)是 RAG 的一种变体。它先把资料整理成知识图谱(实体+关系),再基于图结构做检索。普通 RAG 靠向量相似度找相关片段,GraphRAG 则沿着"谁连接了谁"的路径找信息,能回答需要跨文档推理的问题。


1. 普通 RAG 的盲点

普通 RAG 把文档切成片段,每个片段算一个向量。提问时,它在所有片段里找语义上最接近的几个,拼起来交给大模型回答。这个方法对大多数单点问题——"北斗项目何时发布移动端?"——很有效。

但遇到需要概括整批资料的问题,比如"这些材料反映了哪些主要风险?",普通 RAG 可能只捞到一段风险描述,漏掉分散在其他文档里的关键信息。原因很简单:向量检索找的是"语义相似",不是"逻辑相连"。几份文档共同指向同一个风险,如果它们用词不同,向量距离就可能很远。

普通 RAG 擅长回答"某份文档里写了什么";GraphRAG 擅长回答"这批文档合起来说明了什么"。

2. 建索引:把文档变成图

GraphRAG 的准备工作比普通 RAG 多四个步骤:

步骤一

切分文档

和普通 RAG 一样,先把长文档切成较短的文本片段,保留原文和来源信息。

步骤二

提取实体与关系

用大模型或命名实体识别工具,从每个片段中识别人物、公司、项目等实体,以及它们之间的关系。例如从"负责移动端的林然将在七月转岗"中提取:实体"林然"→关系"负责"→实体"移动端"。

步骤三

构建知识图谱

相同实体合并为一个节点,关系变成带方向的边,形成一张关系网。

步骤四

社区检测与摘要

连接紧密的一组节点会被算法识别为一个社区。系统预先生成每个社区的摘要——这样回答整体性问题时可以直接读摘要,不用遍历全部节点。

示例:一组文档涉及"北斗项目""移动端""林然""安全审查"四个节点。它们之间连接紧密,形成"产品推进"社区。另一组"制造业客户""权限管理"形成"客户要求"社区。社区摘要可以分别描述这两个主题。

3. 两种搜索模式

索引建好之后,GraphRAG 根据问题的性质选择不同的搜索路径。

3.1 局部搜索(Local Search)

问题围绕一个具体实体时——"林然转岗会影响什么?"——系统先定位到"林然"这个节点,再沿边向邻居节点扩展。扩展一层找到"移动端",再扩一层找到"北斗项目"和"安全审查"。这就像在关系网里走几步,把相关的上下文全捞出来。

局部搜索的关键参数是扩展层数(radius)。走得太浅可能漏信息,走得太深会带回大量旁枝末节。

3.2 全局搜索(Global Search)

问题需要概括全局时——"这些材料反映了哪些主要风险?"——系统不逐个遍历节点,而是先读各个社区的预生成摘要,再把多组摘要合并,形成对整批资料的整体回答。

全局搜索的效率来自"先分组、再概括"。社区检测把全局问题转化成了读摘要的问题,省掉了逐节点遍历的成本。

3.3 DRIFT 搜索

DRIFT(Dynamic Retrieval of Information via Focused Traversal)是折中方案。它先从具体实体附近做局部搜索,再根据发现的线索补入相关社区的摘要。适合那些既涉及具体对象、又需要更大背景的问题。

局部搜索=沿着关系网走几步;全局搜索=先读小组概括;DRIFT=先走几步再读概括。三种模式对应三类问题。

4. 和普通 RAG 的本质差异

普通 RAG 的检索依据是语义相似度——两段话用词越接近,越容易被同时召回。这是一种"平面"的比较,不关心段落之间的逻辑关系。

GraphRAG 的检索依据是图结构——两个实体之间有边连接,或者属于同一个社区,它们就会被一起考虑。这是一种"立体"的结构,保留了文档之间的关联信息。

用一个比喻:普通 RAG 像一个图书馆员,听到问题后去书架上找内容最像的几本书搬给你。GraphRAG 像一个侦探,先画一张人物关系图,然后沿着线索一步步追查。

对比总结:
检索依据:向量相似度 vs. 图结构(边/社区)
跨文档能力:弱,用词不同就搜不到 vs. 强,实体关系跨越文档边界
全局概括:需要额外处理 vs. 社区摘要内置支持
索引成本:低(切分+向量化) vs. 高(实体提取+关系构建+社区检测)
更新成本:低(追加片段) vs. 高(新文档可能改变社区结构)

5. 成本与适用边界

GraphRAG 不是万能的。它的代价主要体现在三个方面。

建索引更贵。实体提取、关系抽取、社区检测和摘要生成都需要调用大模型。如果资料量很大,这部分成本会显著高于普通 RAG 的向量化。

更新更麻烦。新增文档可能引入新实体、建立新关系,甚至改变社区的分组。如果资料频繁变化,需要设计增量更新策略,不然每次都要重建部分索引。

错误沿图扩散。实体识别或关系抽取一旦出错——比如把两个同名不同人合并成一个节点——后续检索会沿着错误的路径继续走,且错误在图上会被放大。

几份短文档、简单问答,普通 RAG 更省事。跨文档联系、整体主题和多跳问题多的资料库,GraphRAG 更合适。

6. Microsoft GraphRAG 项目

2024 年 Microsoft 发布了 GraphRAG 论文和开源项目[1],把这个概念落地成了可用的系统。它的核心创新是把大模型用于整个管线:用 LLM 做实体提取、关系抽取、社区检测和摘要生成。发布后很快成为 RAG 生态里最受关注的方向之一。

项目和社区围绕它发展出了一套术语:Entity(实体)、Relationship(关系)、Community(社区)、Community Report(社区报告)。这些概念在 Microsoft 的实现中都有对应的数据和算法。

需要注意的是,GraphRAG 作为一个研究方向还在快速演变。Microsoft 的版本不是唯一方案,LanceGraph、LightRAG、Fast GraphRAG 等变体从不同角度做了简化和优化[2]。选择时不必拘泥于某个具体实现,理解"图结构增强检索"的思路才是关键。


7. 相邻概念

GraphRAG 站在几个基础概念的交汇点上。顺着它们能看清全貌:

  • RAG(检索增强生成):GraphRAG 的基础框架,先检索外部知识再生成回答。可以先看 concept-rag。
  • 知识图谱:以实体和关系为核心的结构化数据模型,GraphRAG 的索引形态。可看 concept-knowledge-graph。
  • 向量数据库:普通 RAG 的核心存储引擎,GraphRAG 仍然用它做局部检索中的语义匹配。可看 concept-vector-database。
  • 文本分块(Chunking):两种 RAG 都依赖的预处理步骤,切分质量影响后续所有环节。可看 concept-chunk。

参考资料

  1. Darren Edge et al., "From Local to Global: A Graph RAG Approach to Query-Focused Summarization", Microsoft Research, 2024. arXiv:2404.16130。
  2. 社区活跃替代实现:LanceGraph(LanceDB)、LightRAG(minimalist)、Fast GraphRAG(性能优化),均可在 GitHub 上找到。
概念解析 · 人工智能ABC