GraphRAG 图增强检索

微软 GraphRAG 架构深度解析 -- 知识图谱驱动的检索增强生成

为什么需要 GraphRAG

传统 RAG（Retrieval-Augmented Generation）通过将文档切分为片段并向量化，在用户查询时检索最相关的片段送入 LLM 生成回答。这种范式在简单问答场景下效果良好，但在面对复杂知识需求时暴露出明显的局限性。

无法处理多跳关系（Multi-hop Reasoning）：当一个问题需要跨多个文档、多步推理才能回答时，例如"某公司 CEO 参与投资了哪些 AI 创业公司？"，传统 RAG 的向量检索只能找到与"CEO"或"投资"单一片段相关的文本，无法跨越多个文档实体进行链式推理。

难以回答全局性问题（Global Query）：像"本报告的主要趋势是什么？"或"文档集中各利益相关方的关系如何？"这类需要整体概览的问题，片段级检索只能返回局部信息，缺乏全局视角的整合能力。

缺乏实体间关系理解：传统 RAG 将文本视为独立片段，无法识别和利用片段中实体之间的显式或隐式关系，例如"阿里巴巴投资了月之暗面"与"月之暗面推出了 Kimi"之间的因果-隶属关系。

GraphRAG 正是为了解决这些问题而生，它通过引入知识图谱结构，显式建模实体及其关系，在检索阶段同时利用语义相似性和图结构拓扑信息，从而显著提升复杂推理和全局理解能力。

知识图谱基础

知识图谱（Knowledge Graph）是一种以图结构组织知识的数据模型，其核心概念包括：

实体（Entity）：现实世界中的对象或概念，如"阿里巴巴"、"Kimi"、"GPT-4"。每个实体通常带有唯一的标识符和类型标签。

关系（Relation）：实体之间的语义连接，如"投资"、"创始人"、"隶属于"。关系通常是有向的，并带有类型标注。

三元组（Triplet）：知识图谱的基本单元，形式为 (头实体, 关系, 尾实体)，例如 (阿里巴巴, 投资, 月之暗面)。多个三元组相互连接，构成网络结构。

知识图谱的主流表示模型有两种：

RDF（Resource Description Framework）：W3C 标准，以 <subject, predicate, object> 三元组表示，强调语义网的互操作性。查询语言为 SPARQL。
Property Graph：广泛用于图数据库（如 Neo4j），允许节点和边携带属性键值对，表达能力更强。查询语言为 Cypher 或 Gremlin。

在 GraphRAG 中，知识图谱的构建粒度决定了检索质量。粗粒度图谱适合全局概览，细粒度图谱支撑精确推理。

微软 GraphRAG 架构

微软于 2024 年提出的 GraphRAG 系统化地将知识图谱引入 RAG 流程，其架构可划分为四个关键阶段。

源文档到实体/关系抽取（LLM 驱动）

输入文档集合首先由 LLM 进行处理。系统设计了一套精心构造的 Prompt，引导 LLM 从文本中识别并提取出实体与关系。每次处理一个文档块，输出结构化的三元组列表，同时为每个实体生成简短的文本描述。这一步是图谱构建的起点，抽取质量直接影响下游效果。

社区检测与摘要（Leiden 算法）

构建好的知识图谱经过社区检测算法（Leiden 算法）划分成多个层次化的社区。Leiden 算法是一种改进的 Louvain 算法，能够高效发现图中的紧密连接子图，并保证社区内部连接紧密、社区之间连接稀疏。对每个检测到的社区，系统再次利用 LLM 生成社区级别的文本摘要，描述该社区中实体群的整体主题与关键信息。这些社区摘要为全局查询提供了素材。

局部查询（Local Search）

当用户提出局部性、面向特定实体的问题时，系统采用双重检索策略：

向量检索：将用户查询与实体描述、文本片段的向量表示进行相似度匹配，召回最相关的候选实体和片段。
关系遍历：从召回的实体出发，沿图中的关系边进行广度优先遍历（BFS），收集邻接实体及其关系路径。

将上述两部分信息拼接为上下文窗口，送入 LLM 生成最终回答。这种"语义匹配 + 图结构扩展"的混合策略，使模型能够感知查询实体周边的完整知识拓扑。

全局查询（Global Search）

对于需要整体理解的问题，局部检索难以胜任。全局查询策略直接利用社区检测阶段生成的社区摘要：将所有社区摘要拼接（或先进行 Map-Reduce 降维），作为上下文整体输入 LLM。这使得模型能够在全局范围内综合分散在各社区中的信息，回答诸如"整体趋势"、"核心矛盾"等宏观问题。

图谱构建流程

知识图谱的构建是 GraphRAG 的基础环节，通常包含以下几种技术路径。

NLP 信息抽取

传统方法依赖预训练的 NLP 模型进行结构化信息提取：

命名实体识别（NER）：识别文本中的人名、地名、机构名、时间等实体类型。常用模型包括 Stanford NER、Spacy 等。
关系抽取（RE）：检测已识别实体之间的语义关系。可采用模式匹配、远程监督或基于预训练模型（如 BERT）的微调方法。

NLP 方法速度快、成本低，但在处理复杂语义关系时精度有限，且难以覆盖开放域关系类型。

LLM 驱动抽取

借助 GPT-4、Claude 等大语言模型的理解能力，直接从自然语言文本中端到端提取三元组。给定一段文本，通过 Prompt 引导 LLM 输出结构化 JSON 格式的三元组列表。相比传统 NLP 方法，LLM 驱动的抽取能够：

理解隐式关系和上下文依赖
识别开放域的关系类型，不受预定义 Schema 限制
为实体和关系生成丰富的文本描述

代价是更高的 API 调用成本和延迟。

实体消歧与融合

不同文档或同一文档的不同位置可能以不同方式引用同一个实体（如"阿里巴巴"vs"阿里"vs"Alibaba"），需要进行实体对齐与融合。常用的方法包括基于规则（字符串相似度）、基于向量（嵌入相似度）以及基于图结构（同一社区内实体更可能指向同一真实世界对象）。融合后的实体获得统一 ID，消除冗余，保证图谱的连贯性。

传统 RAG vs GraphRAG 对比

对比维度	传统 RAG	GraphRAG
多跳推理	弱，需多次检索且无法保证路径连贯	强，关系遍历天然支持多跳路径
全局理解	差，片段检索只能提供局部信息	好，社区摘要提供全局概览
关系推理	不支持，文本片段间无关系建模	原生支持，显式建模实体关系
构建成本	低，仅需 Embedding + 向量库	较高，需 LLM 抽取 + 图谱构建
检索时延	低，近似最近邻搜索（毫秒级）	中等，需结合向量和图遍历
可解释性	中等，返回相关片段	好，可展示实体-关系路径
扩展性	好，支持增量索引	较好，需维护图谱一致性
冷启动难度	低，文档即可索引	较高，需设计抽取 Schema

该表格清晰地展示了两者的优缺点：GraphRAG 在推理和理解能力上显著领先，但以更高的构建成本和复杂性为代价。实际应用中可根据场景选择混合方案。

实践工具

Neo4j 图数据库

Neo4j 是目前最成熟的 Property Graph 数据库，使用 Cypher 查询语言。在 GraphRAG 场景中，Neo4j 负责存储和查询构建好的知识图谱。Cypher 的模式匹配语法非常适合表达多跳关系查询，例如：

cypher

MATCH (company:Entity {name: '阿里'})-[:投资]->(startup:Entity)
RETURN startup.name, startup.description

Neo4j 支持向量索引插件，可实现知识图谱上的向量-图混合检索。

NetworkX 图分析

NetworkX 是 Python 生态中最常用的图分析库，适合在数据探索和原型验证阶段使用。它提供了丰富的图算法，包括社区检测（Girvan-Newman、Louvain）、中心性分析（PageRank、Betweenness）、最短路径等。在 GraphRAG 流程中，NetworkX 常用于：

图谱构建后的连通性分析
构图质量评估
社区发现的可视化

GraphRAG 代码示例

以下示例基于 lightrag 开源框架，展示如何构建 GraphRAG 索引并进行查询：

python

import os
from lightrag import LightRAG, QueryParam

# 初始化 LightRAG，指定工作目录和语言模型配置
rag = LightRAG(
    working_dir="./graphrag_index",
    llm_model_func=...  # 配置 LLM 客户端（如 OpenAI / 本地模型）
)

# 步骤一：插入文本并自动构建知识图谱
rag.insert("""
阿里巴巴集团通过其旗下阿里云部门推出了通义千问大模型。
与此同时，阿里参与了月之暗面公司的多轮融资，后者的核心产品是 Kimi 智能助手。
月之暗面的创始人曾效力于阿里巴巴达摩院。
""")

rag.insert("""
字节跳动旗下火山引擎发布了豆包大模型，面向企业客户提供 API 服务。
字节还在 AI 领域投资了多家初创公司，包括光年之外和 MiniMax。
""")

# 步骤二：局部查询 -- 指定实体相关的问题
response_local = rag.query(
    "月之暗面与阿里巴巴之间有什么关系？",
    param=QueryParam(mode="local")
)
print(response_local)

# 步骤三：全局查询 -- 需要整体概括的问题
response_global = rag.query(
    "简述中国 AI 领域的投资格局。",
    param=QueryParam(mode="global")
)
print(response_global)

在上述流程中，lightrag 在插入文本时自动完成实体抽取、关系抽取、图谱构建与社区检测。查询时，local 模式执行实体向量检索加关系遍历，global 模式使用社区摘要回答，开发者无需手动管理图数据库的底层操作。

总结

GraphRAG 通过将知识图谱的结构化表达能力引入检索增强生成流程，突破了传统 RAG 在多跳推理、全局理解和关系感知方面的瓶颈。微软提出的架构方案 -- LLM 驱动的实体关系抽取、Leiden 社区检测、局部与全局双通道查询 -- 已被多家开源项目验证和实践。随着图数据库、向量检索和 LLM 技术的持续融合，GraphRAG 有望成为下一代知识密集型应用的基础架构。

GraphRAG 图增强检索 ​

为什么需要 GraphRAG ​

知识图谱基础 ​

微软 GraphRAG 架构 ​

源文档到实体/关系抽取（LLM 驱动） ​

社区检测与摘要（Leiden 算法） ​

局部查询（Local Search） ​

全局查询（Global Search） ​

图谱构建流程 ​

NLP 信息抽取 ​

LLM 驱动抽取 ​

实体消歧与融合 ​

传统 RAG vs GraphRAG 对比 ​

实践工具 ​

Neo4j 图数据库 ​

NetworkX 图分析 ​

GraphRAG 代码示例 ​

总结 ​