GraphRAG 本质上是 KRAG 在大模型能力溢出后的一个现代化变种。它用大模型暴力平推了建图过程，并且放弃了极度苛求准确的 Text-to-Cypher 方式，转而使用图结构游走+社区摘要**来进行泛化检索。

一、基础入门：GraphRAG 核心认知

1. 什么是 GraphRAG

GraphRAG（基于图的检索增强生成）是一种将 知识图谱（Knowledge Graph, KG） 的结构化能力与 大语言模型（LLM） 的语义理解能力相结合的检索范式。

• 核心定义： 它通过将非结构化文本转化为“实体-关系-实体”的图结构，并利用图算法（如社区发现、拓扑游走）对知识进行预处理和索引。
• 技术本质： 传统的 Vector RAG 是在“寻找相似的碎片”，而 GraphRAG 是在“还原逻辑的网格”。它不仅存储文本的向量特征，还显式地存储了实体间的逻辑联系。

2. GraphRAG 的起源与发展

• KG-RAG 阶段（早期）： 开发者尝试将现有的结构化数据库（如 Neo4j 中的企业数据）通过 Text-to-Cypher 转换提供给 LLM。由于对预建图谱依赖过高且 Schema 僵硬，难以处理通用非结构化文档。
• 微软 GraphRAG 的突破（2024年）： 微软开源了同名框架，标志着进入了“由 LLM 驱动建图”的新阶段。
  • 创新点： 引入了 社区发现（Leiden 算法） 和 多层级摘要 机制，解决了图谱在海量数据下的查询效率问题，并首次实现了大规模文档集的全局总结能力。
• 现状： 目前正向“轻量化”和“实时化”发展，尝试在建图成本（Token 消耗）与检索精度之间寻找平衡。

3. GraphRAG 与传统 RAG 的区别

4. GraphRAG 的核心价值与应用场景

核心价值：

1. 消除碎片化： 通过边（Edges）将散落在不同文档的信息缝合，解决“信息孤岛”问题。
2. 增强可解释性： 检索到的答案可以追溯到明确的实体关联路径，而不仅仅是概率上的语义相似。
3. 支持复杂查询： 能够回答“总结这 500 份报告的主要风险点”这类传统 RAG 无法处理的聚合类问题。

典型应用场景：

• 金融/法律审计： 在数千份合同或财报中发现潜在的风险关联链条（如：A公司通过B公司控股C公司的隐秘关系）。
• 科研知识发现： 辅助研究员在海量论文中寻找跨领域的潜在联系（如：某种蛋白质与特定病症的间接逻辑）。
• 企业级 Agent 记忆库： 作为 Agent 的长期记忆（Long-term Memory）底层，记录用户复杂的人际关系、项目进展和逻辑偏好。
• 垂直领域问答： 在医疗、工程等对逻辑严密性要求极高的场景下，提供比向量检索更准确的事实核查。

二、核心基础：Graph 与 RAG 前置知识

2.1 图（Graph）基础

• 图的核心概念（节点、边、属性、图结构类型）
• 常用图数据库简介（Neo4j、NebulaGraph 等，适配 GraphRAG 的特性）
• 图数据的存储与基础操作（增删改查、图遍历）

2.2 RAG（检索增强生成）基础

略

三、GraphRAG 核心技术架构

1. GraphRAG 整体架构拆解

数据输入、图构建、检索增强、生成输出

2. 核心模块详解

数据预处理与图构建

（文本拆分、实体抽取、关系抽取、图生成）

图检索模块

核心框架

GraphRAG 的图检索（Graph Search）模块是整个系统的检索核心，负责从构建好的知识图谱（实体-关系-社区层次结构）中提取结构化上下文，供给 LLM 生成答案。

其最大创新在于双模式检索架构：

• Local Search（局部搜索）：以具体实体为入口，通过图遍历 + 邻域扩展获取精确子图 + 关联文本块（TextUnits）。 特点：细节丰富、多跳推理能力强、可解释性高、适合事实性、针对性、逻辑推理查询。 本质是“从点到面”的精确检索。
• Global Search（全局搜索）：基于预计算的社区报告（Community Reports），采用 map-reduce 方式对高层抽象总结进行合成。 特点：覆盖整个数据集、擅长主题洞察、跨文档综合、趋势总结，解决“只见树木不见森林”问题。 本质是“从面到点”的抽象检索。

Local 与 Global 的本质关系：

• Local 是实体驱动的图结构检索（graph traversal + vector）。
• Global 是社区驱动的总结检索（pre-summarized hierarchical communities）。
• 两者并非对立，而是互补：Local 提供精度与证据链，Global 提供广度与全局上下文。实际系统中常采用混合模式（Hybrid / DRIFT Search）——先 Global 粗选社区，再 Local 精细遍历。

Local Search 主导的检索方法

这些方法以实体匹配或路径扩展为核心，高度依赖知识图谱的结构化遍历，构成了 Microsoft GraphRAG Local Search 的主要实现路径。

• 基于实体匹配的检索：最基础入口，从 query 抽取实体 → 向量匹配节点 → 返回 1~2 跳子图。Local Search 的标准起点。
• 基于关系路径的检索：固定跳数或带约束的路径查找（A→B→C）。Local Search 的多跳推理核心。
• 基于子图匹配的检索：将意图转化为查询子图模式，进行同构/近似匹配。Local Search 处理复杂结构查询的主要方式。
• 基于图嵌入 / 向量的检索：节点/关系/子图嵌入 + 向量相似度检索。Local Search 中用来模糊匹配实体的关键技术（TransE、GraphSAGE 等）。
• 基于关键词 / 文本属性的图检索：对节点文本属性做 BM25/向量检索后扩展邻域。Local Search 中实现“图 + 文本”混合检索的常用手段。
• 规则 / 模板驱动检索：预设模板 + 槽位填充执行图查询。Local Search 在垂直领域固定问答中的高效实现。
• 大模型引导的检索（LLM-guided）：LLM 生成 Cypher/SPARQL 查询后执行遍历。Local Search 中用于高度定制的复杂路径查询（需结合规则防不稳定）。

Local Search 共同特点： 检索起点是具体实体/路径，输出是结构化子图 + 原始文本，强调精确性和可追溯性。

Global Search 主导的检索方法

这类方法直接依托 GraphRAG 的 社区发现（Leiden 算法） 与预生成的社区报告，是 Global Search 的专属机制。

• 基于社区 / 聚类的检索：定位 query 相关社区，返回整个社区子图或报告。Global Search 的绝对核心，通过 map-reduce 实现全局合成。

Global Search 共同特点： 检索起点是高层社区摘要，输出是抽象总结，擅长处理无明确实体或需要全景洞察的查询。

混合 / 辅助型检索方法

这些方法不绑定单一模式，而是作为优化层或桥梁，在 Local 和 Global 中均可灵活使用。

• 混合检索：图结构 + 向量检索（最常用）：向量先找相关文本/实体 → 映射到图中扩展子图。
  • Local 中是默认流程；Global 中可先向量筛选社区报告。
• 基于权重 / 重要度的剪枝检索：PageRank、度中心性等排序后保留高价值子图。
  • Local 中控制邻域扩展规模；Global 中实现动态社区选择（Dynamic Community Selection），大幅降低 token 消耗。

总结

增强生成模块

（图信息融合、prompt 设计、大模型适配）

3. GraphRAG 的技术关键点

实体对齐、关系推理、上下文融合

四、GraphRAG 实践流程

1. 环境搭建（依赖库、图数据库部署、大模型配置）
2. 数据准备（数据源选择、数据清洗、格式适配）
3. 图构建实操（实体 / 关系抽取工具、图数据库写入）
4. 检索与生成调试（检索策略优化、prompt 调优、结果评估）
5. 常见问题与解决方案（图构建失败、检索精度低、生成不符合预期）

五、进阶提升：GraphRAG 优化与扩展

1. 性能优化（检索速度、生成效率、图存储优化）
2. 功能扩展（多模态 GraphRAG、动态图更新、多图融合）
3. 高级技巧（prompt 工程、实体消歧、关系推理增强）

六、案例解析：GraphRAG 实际应用场景

1. 知识库问答（企业文档、学术文献）
2. 知识图谱增强生成（智能对话、报告撰写）
3. 复杂场景应用（金融分析、医疗检索、舆情分析）

七、工具与资源汇总

1. 常用工具（图构建工具、检索工具、调试工具）
2. 学习资源（官方文档、论文、开源项目、教程）
3. 社区与交流渠道

八、总结与展望

1. GraphRAG 核心知识点总结
2. 技术发展趋势（未来优化方向、落地场景拓展）
3. 个人学习计划与实践规划