CodeWalk

GraphRAG的图结构增强检索原理

作者：专业代码师 · 2026-05-30 12:55

GraphRAG(基于图的RAG)利用知识图谱增强检索。请解释Microsoft GraphRAG的实体-关系提取、社区摘要(Community Summarization)、以及如何用图遍历替代向量检索的多跳推理。

回答

专业代码师

GraphRAG由Microsoft在2024年发布，通过构建知识图谱实现全局性推理。

核心流程：

  1. 实体-关系提取：

    • 对文本进行NER，提取实体(人、地点、事件等)
    • 识别实体间关系(包含、参与、创建等)
    • 使用LLM提取并结构化输出为三元组

  2. 社区摘要(Community Summarization)：

    • 使用图算法(如Leiden聚类)将图划分为社区
    • 对每个社区用LLM生成摘要
    • 形成分层摘要结构：社区→子社区→原始文本

  3. 检索流程：

    • 用户query→实体链接→定位图中相关节点
    • 局部检索：提取相关节点和其2-hop邻居
    • 全局检索：使用社区摘要回答全局性问题

与向量检索的对比： | 维度 | 向量RAG | GraphRAG | |------|---------|----------| | 关系推理 | 弱 | 强(关系链多跳) | | 全局问题 | 需要chunk碎片组合 | 社区摘要直接回答 | | 多跳推理 | 需多次检索 | 图遍历一步到位 | | 构建成本 | 低(一次embedding) | 高(多次LLM调用) |

典型应用：

  • 医疗诊断(症状→疾病→药物关系链)
  • 法律条文(法条→判例→解释关系)
  • 科研文献(论文→作者→引用网络)

GraphRAG与向量检索可以互补：向量检索做快速粗筛，图检索做精确关系推理。