GraphRAG 是什么？

核心回答

GraphRAG是一类利用图结构组织和检索证据，再交给大模型生成答案的RAG方案。 图可以显式保存实体、关系及来源，让查询从某个对象沿关系补齐跨文档证据，而不只依赖文本片段的相似度排序。

还要区分宽泛的图增强RAG与Microsoft GraphRAG项目：前者可以使用属性图、路径查询和混合检索；后者的一条典型路线是抽取实体关系、形成层级社区、生成社区报告，再进行局部或全局查询。社区摘要不是所有GraphRAG实现的必选步骤。

图结构怎样帮助检索

例如想知道“A系统负责的支付链路有哪些近期故障”。相关资料可能分别描述系统、负责人、依赖服务和故障事件。语义召回可以找到候选片段，实体映射与关系扩展则帮助沿确定对象收集关联证据，再按时间和关系类型过滤。

这里的图不是一张展示图片，而是可查询的数据结构。图检索可以与关键词、向量检索和重排组合；不要求所有数据都放图数据库，也不意味着向量RAG完全无法做多跳，而是图结构提供了另一种显式关联方式。

Microsoft路线的主要过程

索引时，将文档切成TextUnit，抽取实体和关系并关联原始文本；对关系图进行层级社区发现，为社区生成报告，并保存查询所需的向量等索引。关键声明的抽取在其标准流程中是可选项，不应说每次都必然执行。

查询时，**Local Search围绕特定实体，结合图中关联信息与原始文本片段构造上下文；Global Search**围绕全语料主题，主要对社区报告进行分批处理与综合，适合“整体有哪些主要风险”这类问题。还有引入社区背景的DRIFT及基础向量搜索等模式，具体能力取决于项目版本与配置。

局部查询不是简单“只搜索一篇文档”，全局查询也不是对所有原文无差别做一次Top-K。两者处理的对象与问题范围不同。

什么时候值得用

已有失败样本确实需要实体关系约束、跨文档多跳或全局主题归纳时，图结构可能有价值。单一政策条款、局部事实问答，先改善解析、混合检索和重排通常更直接；不必仅为了技术名词重建整套知识库。

图索引增加实体消歧、关系方向、抽取误差、更新和摘要维护成本。文档删除或权限变化还可能影响派生关系与社区报告，不能只过滤最后返回的一个节点。

怎样判断有效

用同一语料、任务集与预算比较普通RAG和图增强方案，分别检查关系型问题、全局问题和简单问题的效果，同时衡量索引成本、查询延迟与维护开销。

图谱和社区报告仍是从资料中得到的表示，可能不完整或错误；最终结论需要回到可追溯证据，路径连通不等于因果成立。技术亮点是将显式关系与原文证据共同用于检索，按问题选择查询方式。

对应教程

参考资料