GraphRAG

一句话定义

GraphRAG 是 Microsoft 提出的对 Naive RAG 的结构化升级——先构建知识图谱，再通过 Leiden 算法社区聚类生成分层社区摘要，查询时结合图结构和社区摘要回答，解决了传统 RAG “无法连点成线”和”无法全局理解”两大痛点。

摘要

GraphRAG 的核心流程：源文档 → 实体/关系提取 → 构建知识图谱 → Leiden 算法社区聚类 → 分层社区摘要 → 查询时通过 Global Search（社区摘要做全局推理）或 Local Search（从特定实体出发沿图谱边扩展）回答。

与 Naive RAG 相比，GraphRAG 通过图结构实现”连点成线”，通过社区摘要实现”全局理解”。但构建成本高（需要大量 LLM 调用做实体提取），增量更新困难，对源文档质量敏感。

核心机制

• Global Search：利用社区摘要做全局推理，如”整个代码库的设计模式有哪些？”
• Local Search：从特定实体出发，沿图谱边扩展到邻域，如”UserService 关联了哪些组件？“

应用 / 使用场景

• 全局性问题：需要跨整个语料归纳的问题，如”这个代码库整体采用了哪些设计模式""这批文档反复强调的主题是什么”，靠 Global Search 基于社区摘要做自上而下的推理
• 关系密集型领域：实体之间存在大量显式关联的场景（组织架构、依赖图、知识网络），靠 Local Search 沿图谱边扩展邻域逐步取证
• 知识工程基座：作为更上层范式（如 Pyramid-KB）的图谱关联层，为分层检索补充跨实体的连接能力

局限与争议

• 构建成本高：实体与关系提取依赖大量 LLM 调用，首次索引一个中等规模语料的开销显著高于 Naive RAG
• 增量更新困难：新增文档往往要重算受影响社区的聚类与摘要，难以做到低成本的实时增量更新
• 对源文档质量敏感：实体识别错误会沿图谱被放大，“垃圾进垃圾出”在图结构里更难被发现和纠正
• 并非银弹：对简单的事实型检索，平铺向量检索反而更快更省，GraphRAG 的收益集中在需要”连点成线”和”全局理解”的复杂问题上

与其他实体的关系

• RAG —— GraphRAG 是 RAG 的结构化升级
• LightRAG —— 轻量级图 RAG 实现
• Pyramid-KB —— 金字塔知识库在 GraphRAG 基础上增加了层次感知和角色适配