GraphRAG 知识图谱
GraphRAG 通过从文档集合中构建实体和关系的知识图，然后在该结构而不是孤立的文本块上进行检索，来增强检索增强生成。
概述
It matters because it answers broad, connect-the-dots questions that flat vector search cannot.
深入探讨
普通 RAG 将文档分割成块，嵌入它们，并检索最接近查询的几个。这适用于狭隘的事实查找，但无法解决诸如“整个数据集的主要主题是什么？”之类的整体问题。 GraphRAG 由 Microsoft Research 在 2024 年推广，它使用语言模型来提取实体、它们的属性以及它们之间的关系，组装知识图谱。然后，它运行 Leiden 等社区检测算法来对相关实体进行聚类，并为每个社区预先生成摘要。在查询时，系统可以遍历关系并聚合这些社区摘要，从而实现多跳推理和全局意义构建。对于那些证据分散在许多文档中并且仅通过中间实体连接的问题，结果是更好的答案。
技术洞察
GraphRAG 有两个阶段。索引：法学硕士读取块并输出结构化三元组（实体、关系、实体）以及描述，这些描述被消除重复并形成图表；聚类（例如莱顿）将节点分组为分层社区，每个社区都由法学硕士进行总结。查询：“本地”搜索从查询匹配的实体沿其边缘扩展，而“全局”搜索地图减少社区摘要以回答数据集范围的问题。两者都为生成模型提供结构化上下文。
战略影响
速度与规模
语言工作流程可以在不牺牲一致性的情况下更快地移动。
交通与覆盖范围
它扩展了跨语言和沟通方式的访问。
更清晰的判决
团队可以花更多时间进行判断，而自动化则可以处理重复。
GraphRAG 知识图的未来
期望 GraphRAG 与属性图数据库、自动本体学习和增量图更新合并，以便知识保持新鲜而无需完全重新索引。将向量相似性与图遍历相结合的混合系统正在成为标准，代理管道将允许模型迭代查询图。随着提取质量的提高，GraphRAG 应该提供多跳、可解释的答案（具有可追踪的实体路径），适用于企业知识库、科学文献和调查分析。
现实世界的实施
一位分析师问道，“这 10,000 份报告有哪些主题联系在一起？” GraphRAG 通过社区摘要的 Map-Reduce 给出答案。
制药团队将论文中的基因、药物和疾病联系起来，以揭示矢量搜索可能会错过的多跳关系。
合规工具跟踪交易如何通过中介机构连接实体，以标记隐藏的风险关系。
Microsoft 的开源 GraphRAG 库将语料库索引到实体和莱顿社区中，以进行本地和全局查询。
风险与防护栏
幻觉的事实可以悄悄地进入报告、支持流程或研究成果。
及时的敏感性可能会在类似的请求中产生不一致的结果。
如果访问控制薄弱，敏感文本数据可能会暴露。
实施路线图
在推出之前定义输出格式、语气和质量标准。
当准确性很重要时，请使用可信来源进行地面响应。
为高风险输出保留人工审查检查点。
跟踪故障模式并定期重新训练提示或工作流程。
不断探索
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the GraphRAG Knowledge Graphs quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
常见问题
What is GraphRAG Knowledge Graphs?
GraphRAG 通过从文档集合中构建实体和关系的知识图，然后在该结构而不是孤立的文本块上进行检索，来增强检索增强生成。它很重要，因为它回答了平面矢量搜索无法回答的广泛的、连接点的问题。
GraphRAG 构建的哪些核心结构使其与标准 RAG 不同？
GraphRAG 将实体及其之间的关系提取到知识图谱中，而不是仅仅依赖于孤立的文本块。
GraphRAG 比平面向量搜索更好地处理哪类问题？
GraphRAG 擅长解决整体、多跳问题，其证据分散并通过中间实体链接。
GraphRAG 通常使用什么算法将相关实体聚类成社区？
GraphRAG 应用 Leiden 等社区检测方法对相关节点进行分组，然后总结每个社区。
在索引过程中，语言模型从文档块中生成什么？
LLM 读取块并提取合并到图中的实体、属性和关系三元组。
GraphRAG 中的“本地”和“全局”搜索有什么区别？
本地搜索遍历查询匹配实体的邻居，而全局搜索聚合社区摘要以回答数据集范围的问题。