RAG 演进 04-GraphRAG

本文总结 GraphRAG 的定义、和传统 RAG 的区别，以及如何实现 GraphRAG

什么是 GraphRAG？

GraphRAG（Graph-based Retrieval-Augmented Generation）是微软提出的一种结合知识图谱的增强检索生成框架，旨在改进传统 RAG 的局限性。其核心思想是通过构建结构化知识图谱，对文档内容进行全局语义建模，从而提升大语言模型（LLM）在复杂问题中的推理能力和回答准确性。

与传统 RAG 依赖非结构化文本的向量检索不同，GraphRAG 通过图谱的拓扑结构（如节点、边、子图）挖掘深层语义关联，解决传统 RAG 在长尾问题、多跳推理和全局一致性上的不足，总的来说，他们之间有以下区别：

维度	传统 RAG	GraphRAG
数据组织方式	非结构化文本的向量化表示	结构化知识图谱（实体、关系、子图）
检索逻辑	基于向量相似度的片段匹配	基于图谱拓扑的关联推理（多跳查询）
上下文理解	局部语义匹配，缺乏全局关联性	全局图谱支持复杂逻辑推理
可解释性	黑盒检索，结果依赖向量空间分布	白盒化路径检索，答案支持图谱溯源
适用场景	简单问答、单跳检索任务	复杂推理、多跳问答、事件关联分析
数据动态性	更新需全量重新嵌入	支持增量更新（增删节点 / 边）
计算开销	低（仅需向量索引）	高（需构建和维护知识图谱）

RAG 每次检索出的 chunk，只是某个文档的内容，而通过知识图谱，GraphRAG 在全局预料层面检索知识，弥补了传统 RAG 在复杂关联推理中的不足，同时提升了回答的可解释性。

GraphRAG 的实现过程

flowchart LR
	A[文档]
	B[实体/关系抽取]
	C[构建知识图谱]
	D[社区划分]
	E[检索子图]
	F[llm生成答案]
	A-->B-->C-->D-->E-->F

GraphRAG 的实现分为以下关键步骤：

1. 索引（数据预处理与知识图谱构建）

   • 实体与关系抽取：使用 LLM 解析文档，提取实体（如人物、地点、事件）及其关系（如 “属于”“导致”）。
   • 图谱生成：将实体和关系存储为图结构（节点 = 实体，边 = 关系），支持属性扩展（如时间、上下文描述）。
   • 社区检测：通过图聚类算法（如 Louvain）将图谱划分为主题社区（如 “技术”“市场”），每个社区代表一个语义子图。
   • 生成社区摘要：使用自下而上的方法为每个 community 及其中的重要部分生成摘要。这些摘要包括 Community 内的主要 Entity、Entity 的关系和关键 Claim。这一步为整个数据集提供了概览，并为后续查询提供了有用的上下文信息

2. 查询生成 (检索)
   利用用户提问到知识图谱检索上下文，根据检索的范围，可以分为 2 种检索方式：

• 全局查询：在整个知识图谱检索上下文，可以跨多文档检索
• 本地查询：在特定子图（如社区、领域节点），聚焦在某个实体上

举个例子说明两者之间的关系：

	全局查询	本地查询
目标	从全局图谱中提取跨社区、跨实体的关联信息，解决复杂问题	快速检索与特定实体直接相关的信息，解决简单问题
步骤	1. 问题解析：使用 LLM 解析问题，提取关键实体（如 “公司 A”“产品策略”“市场地位”）。 2. 图谱范围检索： 社区检测：通过聚类算法（如 Louvain）识别与实体相关的多个社区（如 “产品社区”“市场社区”）。 跨社区路径发现：使用图遍历算法（如随机游走、广度优先搜索）查找跨社区的关系路径。 3. 子图融合与增强： 合并相关社区的局部子图，生成全局语义视图。 通过图嵌入（如 Node2Vec）生成向量表示，捕捉全局语义关联。 4. 生成答案： 将融合后的子图信息转化为自然语言提示，输入 LLM 生成回答。	1. 实体定位： 使用命名实体识别（NER）或关键词匹配定位目标实体（如 “产品 A”）。 2. 邻域检索： 提取实体的直接邻居节点（如 “功能”“用户群体”“技术参数”）。 限定跳数（如 1~2 跳）遍历子图，避免过度扩展。 3. 上下文生成： 将邻域关系转化为文本描述（如 “产品 A 的功能包括 X、Y，主要用户是 Z”）。 4. 生成答案： 直接基于局部上下文生成简洁回答，无需复杂推理。
问题	产品 A 的销量下降导致公司 B 股价下跌？	产品 A 的发布日期是什么时候？
检索路径	产品 A（社区 1）→ 用户投诉（社区 1）→ 市场份额下降（社区 2）→ 财报数据（社区 3）→ 股价下跌（社区 3）	产品 A → 发布日期 → “2023 年 1 月”
使用算法	社区检测、图嵌入	邻域遍历、关键词匹配
使用工具	Neo4j（图遍历）、Gephi（可视化）	Elasticsearch（关键词检索）、NetworkX

所以全局查询强调整体关联，适合复杂推理，但计算成本高，本地查询注重效率，适合简单问答，但依赖图谱构建质量，实际使用建议混合使用，当用户提出关于特定 Entity（如人名、地点、组织等）的问题时，建议使用本地搜索工作流程，若结果不足再触发全局检索

3. 生成
   • 子图检索：根据用户问题定位相关社区或子图，提取结构化信息（如实体链、关系路径）。
   • 上下文增强：将子图信息转化为文本提示（Prompt），输入 LLM 生成最终回答。

GraphRAG 的例子

背景：微软基于 GraphRAG 构建新闻事件分析系统，用于回答涉及多实体关联的复杂问题，例如：“2023 年某科技公司并购案对行业竞争格局的影响？”

实施流程：

1. 数据源：爬取 100 万篇科技新闻，清洗后提取实体（公司、人物、产品）及关系（并购、合作、竞争）。
2. 图谱构建：在 Neo4j 中存储节点（公司 A、公司 B）、边（“并购”）、属性（时间、金额）。
3. 混合检索：
   • 向量检索：通过 Milvus 检索与 “并购” 相关的文本片段。
   • 图谱检索：查询 “公司 A→并购→公司 B→影响→行业竞争” 的多跳路径。
4. 答案生成：将检索结果（文本片段 + 子图结构）输入 GPT-4，生成包含因果链的答案。

效果对比：

• 传统 RAG：仅能返回单篇新闻中的并购金额等片段化信息。
• GraphRAG：可生成跨时间、跨实体的综合分析，例如：“并购导致市场份额向头部集中，触发反垄断调查”。

总结

GraphRAG 通过知识图谱的引入，解决了传统 RAG 在复杂推理任务中的局限性，但其实现成本较高，需权衡业务需求与资源投入。未来方向包括：

1. 轻量化图谱构建：利用 LLM 自动生成三元组。
2. 动态图谱更新：结合流数据处理技术实现实时更新。
3. 多模态扩展：融合文本、图像、表格等多模态数据构建异构图谱。

适用场景建议：

• 推荐采用 GraphRAG：金融风控（关联交易分析）、医疗诊断（病因推理）、法律合规（案件关联性审查）。
• 仍适用传统 RAG：客服问答（单轮对话）、文档摘要（无复杂逻辑）。

通过灵活选择 RAG 与 GraphRAG 的组合，可最大化大模型在垂直领域落地的价值。