GraphRAG 的工作原理

Source: Dev.to

索引阶段（离线，成本高但只执行一次）

• 文本分块 – 将输入文本拆分为可管理的块。
• 实体抽取 – 使用 LLM 从每个块中识别实体（人物、地点、组织、概念）及其关系。
• 构建知识图谱 – 创建一个图，其中节点是实体，边是带有描述的关系。
• 社区检测 – 应用图算法（例如 Leiden 算法）来识别紧密相关实体的簇（社区）。
• 层次化摘要 – 为每个社区生成多层级摘要（自下而上的层次结构：详细的低层社区 → 更高层的聚合摘要）。

结果是一个结构化索引：图 加上 预生成的社区摘要。这捕捉了整个数据集中的隐式连接，而仅靠向量嵌入无法实现。

查询阶段

• 本地查询（具体细节） – 检索与提及实体相邻的相关子图或文本块。
• 全局查询（宏观理解） –
  1. 选择与查询相似度较高的社区摘要。
  2. 使用 LLM 从每个摘要生成部分答案。
  3. 将这些部分答案聚合并摘要为最终连贯的响应。

这种在社区层面上的“映射‑归约”方式实现了整体推理。

为什么它比标准 RAG 更好

• 全面性 – 捕获更广的主题和关联，提供更完整的答案。
• 多样性 – 减少重复，呈现多元视角。
• 赋能 – 为复杂数据集（例如相互冲突的新闻来源）提供有依据、基于证据的洞见。

原论文中的实验（数据集约 1 百万 token）显示，GraphRAG 在全面性和多样性等指标上，对全局问题的表现比基线 RAG 高出 70–80 %。

实践细节

• 开源实现： microsoft/graphrag on GitHub
• 成本 – 索引阶段需要大量 LLM 调用（用于抽取和摘要），但查询阶段效率高。
• 后续改进 – 如 LazyGraphRAG（更省成本）、DRIFT 搜索、动态社区选择以及针对新领域的自动调优等变体。

总结

GraphRAG 通过利用图结构进行“全局感知”，在让 LLM 对大型、私有、叙事丰富的数据集进行推理方面实现了重大突破。当标准 RAG 产生不完整或表面化答案时，GraphRAG 尤其有价值。