GraphRAG

一、GraphRAG 的核心工作流程是怎样的？

GraphRAG 的整体流程分为离线索引构建与在线查询检索两大阶段，形成"先建图、再检索"的完整闭环。

1. 离线索引构建阶段

• 原始文档首先被切分为若干文本块（TextUnit），作为后续处理的基本单元
• 大语言模型对每个文本块进行实体、关系和声明的抽取，形成结构化的图元素
• 抽取出的实体与关系被聚合为知识图谱，并通过社区检测算法划分为层级化的社区结构
• 系统为每个社区预生成自然语言摘要，构建出可被查询复用的"社区层级索引"

2. 在线查询检索阶段

• 用户提出问题后，系统根据问题类型选择合适的检索模式（Global、Local、DRIFT 或 Basic）
• 检索引擎从知识图谱与社区摘要中定位相关内容，组装为增强上下文
• 大语言模型基于组装后的上下文生成最终回答，并可追溯到具体的实体、关系与源文本

3. 图结构带来的关键变化

• 检索对象从"孤立的文本块"升级为"相互连接的实体与关系网络"
• 通过社区摘要，系统具备了对整个语料库进行全局归纳的能力
• 借助图谱路径，系统能够支撑跨多个文档片段的连续推理

二、GraphRAG 的知识图谱是如何从文本中构建的？

GraphRAG 的知识图谱由大语言模型在离线抽取阶段自动构建，无需人工标注，其核心是"文本块 → 图元素 → 图聚合"的三步转化。

1. 文本块切分

• 源文档被分割为粒度适中的文本块，用于后续的实体与关系抽取
• 切分粒度直接影响抽取质量：官方实验表明，在 HotPotQA 数据集上，采用 600 token 的分块所抽取的实体引用数量，接近 2400 token 分块的两倍
• 分块越短，实体召回率越高，但需要更多的 LLM 调用，需在召回率与效率之间权衡

2. 图元素抽取

• 大语言模型对每个文本块识别实体（名称、类型、描述）与关系（源实体、目标实体、关系描述）
• 抽取结果以分隔元组的形式输出，实体与关系共同构成图的节点与边
• 可通过多轮"gleanings"（补全式抽取）机制，促使模型补全首轮遗漏的实体，从而在较大分块下仍保持抽取质量

3. 图聚合与去重

• 各文本块抽取出的实体与关系被聚合为统一的无向加权图
• 边的权重反映实体在语料中共现的频率与强度
• 指向同一实体的不同名称变体会被归并为规范节点，图谱对命名不一致具有一定容错能力

三、GraphRAG 中的实体、关系和声明分别指什么？

GraphRAG 的图索引由三类核心元素构成，分别对应图的节点、边和协变量。

1. 实体（Entity）

• 实体是图中的节点，代表文本中出现的具体对象，如人物、组织、地点、技术、概念等
• 每个实体包含名称、类型和描述信息，描述由大语言模型基于源文本抽象生成
• 实体是知识图谱进行社区划分与检索推理的基本锚点

2. 关系（Relationship）

• 关系是图中的边，描述两个实体之间的明确联系
• 每条关系包含源实体、目标实体以及对二者联系的描述
• 关系将分散在不同文档中的实体连接起来，是支撑多跳推理的结构基础

3. 声明（Claim）

• 声明是附着在实体上的协变量（covariate），表示与实体相关的可核实断言
• 一条声明通常包含主体、客体、类型、描述、源文本片段以及起止时间等信息
• 声明为图谱补充了事实性细节，增强了回答的可溯源性

四、GraphRAG 的社区检测采用什么算法？

GraphRAG 采用 Leiden 算法进行社区检测，将知识图谱划分为语义内聚的社区群组。

1. Leiden 算法的作用

• Leiden 算法是一种基于模块度优化的图聚类方法，用于将连接紧密的节点划分为同一社区
• 相比早期常用的 Louvain 算法，Leiden 算法能够保证划分出的社区内部连通性更好，避免出现断裂的子社区
• 该算法由 Traag 等人在 2019 年提出，是 GraphRAG 层级社区结构的技术基础

2. 社区检测在流程中的位置

• 社区检测发生在知识图谱构建完成之后、社区摘要生成之前
• 算法将庞大的实体网络切分为大小不一的社区，为后续并行生成摘要提供分组依据
• 借助社区的模块性，系统可以在索引阶段和查询阶段并行处理各社区，提升整体效率

五、GraphRAG 的社区层级是如何划分的？

GraphRAG 通过 Leiden 算法生成多层级的社区结构，形成从宏观到微观的层级索引。

1. 多层级社区结构

• 社区被组织为层级结构，顶层是覆盖范围广的宏观社区，底层是粒度更细的微观社区
• 高层社区用于把握整体主题，低层社区用于聚焦具体实体群组
• 这种层级划分使系统能够在不同抽象粒度上回答不同类型的问题

2. 社区摘要的生成

• 系统为每个层级的每个社区预生成一份社区摘要（Community Report）
• 摘要通常包含标题、内容概述、关键洞察、重要性评级以及指向源文本的引用
• 高层社区的摘要会用子社区摘要替换冗余细节，从而在有限上下文内承载更大范围的信息

3. 层级索引的价值

• 层级化的社区摘要构成了可复用的结构化索引，查询时无需重新扫描全部原始文本
• 面对全局性问题时，系统可直接调用高层社区摘要进行归纳，显著提升查询效率
• 层级结构是 GraphRAG 能够"俯瞰全局"的核心机制

六、GraphRAG 的索引构建需要哪些步骤？

GraphRAG 的索引构建是一个多阶段的离线流水线，可通过命令行工具或模块化 Python 工作流执行。

1. 文本切分

• 将原始文档切分为文本块（TextUnit），通常控制在数百到一千余 token 的粒度
• 切分时会设置适当重叠，以保证跨边界的实体与关系不被遗漏

2. 实体与关系抽取

• 大语言模型逐文本块识别实体、关系与声明，输出结构化图元素
• 可通过领域特定的少样本示例提升专业领域的抽取精度

3. 图构建与聚合

• 将抽取出的实体与关系聚合为统一的加权知识图谱，完成实体去重与规范归并

4. 社区检测与摘要生成

• 使用 Leiden 算法对图谱进行层级化社区划分
• 为每个社区生成自然语言摘要，形成最终的可查询索引

5. 索引产物存储

• 实体、关系、文本块、社区报告等结果以可检查的表格形式存储
• 文本与实体的向量嵌入被索引到向量数据库中，供相似度检索使用

七、GraphRAG 的 Global Search 是如何工作的？

Global Search 是 GraphRAG 面向全局性问题的检索模式，采用 map-reduce 机制在整个语料库范围内进行归纳推理。

1. 适用问题类型

• Global Search 用于回答跨越整个数据集的宏观、主题性问题，例如"这批报告的主要趋势是什么"
• 这类问题无法通过检索单个文本块得到答案，因为答案分散在大量文档之中

2. map-reduce 工作机制

• 在 map 阶段，系统让每个相关社区摘要独立并行地生成部分回答
• 每个部分回答会依据与问题的相关度获得帮助性评分，低分回答被过滤
• 在 reduce 阶段，系统将过滤后的高分部分回答汇总，生成最终的全局回答

3. 相较向量检索的优势

• 传统向量检索只能召回孤立的相似文本块，难以整合跨文档信息
• Global Search 借助社区摘要，天然具备对整个语料库进行综合归纳的能力
• 这是 GraphRAG 区别于纯向量 RAG 的标志性能力之一

八、GraphRAG 在多跳推理任务上表现如何？

GraphRAG 借助知识图谱的路径结构，在多跳推理任务上明显优于纯向量检索方案。

1. 多跳推理的含义

• 多跳推理指回答一个问题需要串联多个分散的信息片段，像接力一样逐跳推导
• 例如"发明了 Transformer 架构的核心成员后来创办了哪家公司"，需要依次定位作者、其任职经历与创业信息

2. 图谱对多跳推理的支撑

• 知识图谱显式记录了实体之间的关系，中间节点之间的逻辑联系不会因分块而被割裂
• 系统可沿图谱路径遍历，将跨文档的关联线索串联为完整推理链
• 相比仅凭向量相似度召回，图谱路径能够更可靠地补齐推理所需的中间环节

3. 表现结论

• 官方研究指出，在多跳与综合推理类基准上，GraphRAG 相比朴素 RAG 取得了更优结果
• 其 DRIFT 等检索模式进一步融合了局部实体邻域与社区上下文，增强了混合问题的推理表现

九、GraphRAG 如何实现增量索引更新？

GraphRAG 的索引以批处理方式构建，针对数据变更提供了增量更新能力，但整体更新成本相对较高。

1. 批处理索引的特性

• GraphRAG 的索引构建是离线批处理过程，而非流式实时更新
• 索引阶段需要对每个文本块调用大语言模型进行抽取，属于一次性的高成本操作

2. 增量更新机制

• 当源数据发生局部变化时，可通过增量更新流水线仅处理变更部分，避免全量重建
• 增量更新需要维护图谱节点、关系与社区结构的一致性，操作相对复杂

3. 实践注意事项

• 对于频繁变化的数据，增量更新与重新索引的开销需要纳入评估
• 官方建议先在小规模数据上测算单文档成本，再扩展到生产规模
• 若数据高度动态且要求实时更新，需审慎评估 GraphRAG 的适配性

十、GraphRAG 的提示词调优为什么重要？

提示词调优直接影响知识图谱的抽取质量，是 GraphRAG 落地中不可忽视的关键环节。

1. 抽取质量依赖提示词

• 实体、关系与声明的抽取完全由大语言模型基于提示词完成，提示词质量决定图谱质量
• 默认提示词面向通用的命名实体（人物、地点、组织），适用于广泛场景
• 对于科学、医学、法律等专业领域，通用提示词可能遗漏领域特定的实体类型

2. 领域自适应的方式

• 主要通过提供领域特定的少样本示例进行上下文学习，提升专业领域的抽取精度
• GraphRAG 支持自动提示词调优与手动调优两种方式，官方文档建议针对自有数据进行迭代优化

3. 开箱即用的局限

• 官方明确提示，未经调优的抽取结果可能未达预期，推荐通过迭代配置获得理想效果
• 提示词调优需要结合实体抽取、社区层级与检索模式等因素综合实验

十一、GraphRAG 的索引成本主要由哪些因素决定？

GraphRAG 的索引成本主要来自大语言模型调用，是部署前需要重点规划的部分。

1. LLM 调用是主要成本

• 索引阶段需对每个文本块调用大语言模型进行实体与关系抽取，还会进行多轮补全抽取
• 社区摘要生成同样需要大量 LLM 调用，语料规模越大，调用次数越多
• 因此索引成本与文本块数量、抽取轮数、所用模型的计费标准直接相关

2. 影响成本的关键因素

• 分块粒度：分块越短，实体召回率越高，但 LLM 调用次数也相应增加
• 抽取轮数：多轮 gleanings 会提升质量，同时推高调用量
• 社区层级数量：层级越多，摘要生成的调用量越大

3. 成本控制建议

• 官方建议先用低成本模型在教程数据集上试跑，评估成本后再投入大规模索引
• 可通过调整分块策略、抽取轮数与社区层级控制调用规模
• 后续发布的 LazyGraphRAG 模式大幅降低了索引开销，为成本敏感场景提供了选择

十二、GraphRAG 在企业知识管理中有哪些价值？

GraphRAG 适用于文档密集、关系复杂的知识管理场景，其价值集中在全局理解与关系推理。

1. 支撑全局性问题解答

• 面对"这批文档的核心主题是什么"一类问题，GraphRAG 能够基于社区摘要进行整体归纳
• 这类能力是传统向量 RAG 难以覆盖的，因为答案并不集中在单一文本块中

2. 挖掘跨文档关系

• 知识图谱将分散在大量文档中的实体与关系连接起来，便于发现隐含关联
• 在合规审查、研究综述、情报分析等需要跨文档推理的场景中价值突出

3. 提升回答可解释性

• 每个回答都可追溯到具体的实体、关系与源文本片段，具备清晰的证据来源
• 可溯源性对法律、金融等强监管行业的知识应用尤为重要

十三、GraphRAG 部署需要哪些技术前提？

部署 GraphRAG 需要具备一定的工程与大语言模型使用基础，并提前做好成本与环境准备。

1. 运行环境

• GraphRAG 是开源的 Python 框架，需通过命令行工具驱动，依赖 Python 运行环境
• 需配置大语言模型 API 密钥及相关参数，用于索引抽取与查询生成

2. 大语言模型接入

• 框架支持多种大语言模型后端，可基于配置切换不同的模型服务
• 需确认所选模型服务的数据处理与合规策略符合自身要求

3. 成本与数据准备

• 索引是 token 消耗较高的批处理过程，需提前预算 LLM 调用成本
• 官方建议在正式索引前先用小规模数据验证流程与成本
• 索引产物与向量嵌入需要相应的存储与向量检索组件支撑，可结合腾讯云向量数据库等组件构建检索层，知识图谱的存储与查询则可借助图数据库承载

十四、GraphRAG 与传统向量 RAG 相比解决了哪些问题？

传统向量 RAG 擅长事实型局部检索，但在需要全局归纳与关系推理的场景中存在明显短板，GraphRAG 正是针对这些短板提出。

1. 全局归纳能力

• 传统向量 RAG 通过切块、向量化并召回相似片段工作，只能返回孤立的文本片段
• 面对"整个数据集的主要趋势"这类需要跨全文整合的问题时，向量 RAG 容易答案碎片化
• GraphRAG 借助社区摘要进行 map-reduce 归纳，能够回答覆盖整个语料库的全局问题

2. 多跳推理能力

• 向量检索依赖表面相似度，中间推理节点若未出现在问题中，常被相似度过滤掉
• GraphRAG 通过图谱路径遍历，将跨文档的关联信息串联，支撑连续的多跳推导

3. 结构化知识表示

• 传统 RAG 将文本"摊平"为独立片段，丢失了实体之间的关系结构
• GraphRAG 将非结构化文本转化为知识图谱，保留了实体、关系与声明的结构化信息
• 代价是索引构建更复杂、LLM 调用成本更高，更适合高价值、相对稳定的语料库

十五、GraphRAG 与 HippoRAG 有什么差异？

GraphRAG 与 HippoRAG 都属于图增强 RAG 方案，但二者的核心机制与侧重场景有所不同。

1. 核心机制差异

• GraphRAG 以社区检测与层级社区摘要为核心，通过 map-reduce 支撑全局归纳
• HippoRAG 受脑科学启发，借鉴海马体记忆机制，利用类似 PageRank 的算法在图谱上进行联想式检索

2. 索引与成本差异

• GraphRAG 的完整索引包含实体抽取与多层级社区摘要生成，索引成本相对较高
• HippoRAG 的索引流程相对轻量，在长期记忆与关联检索场景中延迟更低

3. 适用场景差异

• GraphRAG 更适合需要全局主题理解、跨文档综合归纳的场景
• HippoRAG 在多跳关联推理与长期记忆类任务上表现突出

十六、GraphRAG 与 LightRAG 有什么差异？

LightRAG 是针对 GraphRAG 高索引成本问题提出的轻量化替代方案，二者在成本与能力上各有取舍。

1. 设计目标差异

• GraphRAG 追求对语料库的全局深度理解，采用完整的社区层级摘要机制
• LightRAG 由香港大学数据智能实验室（HKUDS）团队提出，主打轻量化与高鲁棒性，着力降低索引与调用开销

2. 检索机制差异

• GraphRAG 依赖 Leiden 社区检测与社区摘要的 map-reduce 归纳
• LightRAG 采用双层检索（低级别实体检索与高级别主题检索）并结合去重融合机制

3. 成本与适用场景差异

• LightRAG 的索引与查询成本更低，更适合资源受限或数据更新较频繁的场景
• GraphRAG 在需要宏观主题归纳、对全局理解要求较高的场景中更具优势
• 二者并非替代关系，实践中可根据对成本与全局理解能力的权衡进行选择