GraphRAG

将知识图谱与向量检索结合的高级 RAG 范式，由 Microsoft Research 2024 推广，擅长处理需多步推理与跨文档关联的复杂问题。

定义

GraphRAG = Graph（知识图谱）+ RAG（检索增强生成）。与传统"向量相似度 Top-K"检索不同，GraphRAG 先用 LLM 从文档抽取实体 + 关系构建知识图谱，再在图谱上做层次化摘要、社区检测、子图检索，让 LLM 能回答"主题级"、"跨文档关联"类问题。

技术细节

构建阶段：

1. 实体抽取：LLM 从文档中识别人、组织、概念等实体
2. 关系抽取：识别实体间关系
3. 社区检测：Leiden 等算法识别紧密相关的实体群
4. 摘要生成：为每个社区生成 LLM 摘要

查询阶段：

• 本地查询：基于实体邻居的精确问答
• 全局查询：基于社区摘要的主题级问答
• 混合查询：结合向量检索与图谱推理

主要玩家

• Microsoft Research — GraphRAG 论文 + 开源实现
• LlamaIndex — Knowledge Graph Index
• Neo4j / NebulaGraph — 图数据库底座

在 AI 产业链中的角色

GraphRAG 是 RAG 的高级形态，特别适合：

• 多步推理问题："X 与 Y 有什么间接关系？"
• 主题级总结："这一千份文档的主要观点是什么？"
• 跨文档关联：实体在多个文档间的关联追踪

但成本（构建知识图谱）显著高于传统 RAG，2024-25 仍在落地探索期。

演进历史

• 2024-04-24 Microsoft Research 论文 "From Local to Global: A Graph RAG Approach to Query-Focused Summarization" arXiv 发布（arXiv:2404.16130，T1）
• 2024-07-02 Microsoft Research 开源代码（GitHub microsoft/graphrag）正式发布（Microsoft Research blog 2024-07，T1）
• 2024-25 主流 RAG 框架引入 GraphRAG 模块

已废弃叙述

相关概念

• RAG / 向量数据库 / Reranking
• 知识图谱

∈ belongs_to::4-03-模型生态与工具链