GraphRAG：AI如何回答隐藏在众多文档中的问题
内容提要
GraphRAG通过知识图谱和社区检测，弥补了标准RAG在全局查询上的不足。它构建实体关系图，生成分层社区报告，支持局部和全局搜索。尽管索引成本高，但提升了答案的全面性和多样性。LazyGraphRAG降低了成本，Agentic RAG则按需选择策略。
延伸解读
全局查询的挑战
标准RAG依赖向量相似度，适合答案与问题措辞相似的局部查询。但对于需要跨文档综合的全局查询，如“哪些故障原因最常出现”，向量检索往往只返回词汇匹配的片段，而非真正的模式。即使扩大上下文窗口，微软测试显示64,000个token仍无法弥补这一差距。
知识图谱的构建成本
GraphRAG通过构建实体关系图来捕捉文档间的联系，但索引成本高昂。提取实体和关系需要两次大语言模型处理，合并描述也消耗大量计算，约占索引总成本的75%。对于频繁更新的语料库，维护成本持续存在，需权衡收益与开销。
查询模式的选择
GraphRAG提供局部搜索和全局搜索两种模式。局部搜索从实体出发扩展，适合具体问题；全局搜索则通过社区报告进行map-reduce，适合整体性问题。选择哪个层级的社区报告影响答案质量和成本，低层级更详细但更耗时。
成本优化与替代方案
LazyGraphRAG通过将大语言模型工作推迟到查询时，将索引成本降至完整GraphRAG的0.1%，同时保持全局查询质量。但微软指出，预构建的社区报告本身有独立价值，因此并非所有场景都适合LazyGraphRAG。
Q&A
GraphRAG是什么？它主要解决什么问题？
GraphRAG是一种基于知识图谱的检索增强生成技术，旨在解决标准RAG在全局查询上的不足。全局查询需要跨大量文档进行推理，而标准RAG的相似性搜索只能找到词汇上相近的片段，无法捕捉跨文档的模式。GraphRAG通过构建实体关系图并生成社区报告，使得全局查询能够基于预生成的摘要进行回答。
标准RAG的局限性是什么？为什么它无法回答全局性问题？
标准RAG依赖于文本相似性，假设答案与问题在词汇上相似。对于局部查询（如“哪个服务拥有重试逻辑”），这很有效。但对于全局查询（如“哪些故障原因在事后分析中最常出现”），答案分布在整个语料库中，而不是单个文档，相似性搜索只能返回包含“重复”等词汇的文档，无法揭示潜在模式。即使扩大上下文窗口，微软测试显示在全局问题上仍存在差距。
GraphRAG的索引流程包括哪些步骤？
GraphRAG的索引流程包括六个阶段：1) 将文档切片为文本单元；2) 使用语言模型提取实体和关系；3) 合并相同实体和关系，压缩描述；4) 可选地提取声明；5) 对实体图进行层次化Leiden聚类；6) 为每个社区生成报告，并将文本单元、实体描述和报告嵌入向量存储。
GraphRAG的局部搜索和全局搜索有什么区别？
局部搜索从匹配的实体开始，沿五个方向扩展（文本单元、社区报告、相邻实体、关系、声明），然后排序和过滤，最终填充到上下文窗口。全局搜索则使用社区报告，通过map-reduce方式：将报告分批，每批生成带重要性评分的中间答案，然后汇总生成最终答案。局部搜索适合实体明确的查询，全局搜索适合跨语料库的聚合查询。
GraphRAG的索引成本为什么高？如何降低？
GraphRAG的索引成本高主要是因为两次语言模型遍历（提取和合并）以及为每个社区生成报告。图提取约占索引成本的75%。降低成本的方案包括使用FastGraphRAG（用传统NLP替代语言模型）和LazyGraphRAG（将语言模型工作推迟到查询时，索引成本降至完整GraphRAG的0.1%）。
GraphRAG相比标准RAG在哪些方面有优势？在哪些方面没有？
GraphRAG在全局查询上表现更好，提供更全面、多样化的答案，并引用更多支持材料。但在局部查询上，标准RAG仍然更强。在忠实度（即每个事实的准确性）上，GraphRAG与标准RAG相当，并未显著减少幻觉。
什么是Agentic RAG？它如何解决检索策略选择问题？
Agentic RAG是一种智能检索方法，它使用语言模型对查询进行分类，然后选择最合适的检索策略（如向量搜索、全局搜索、SQL查询或网络搜索），并执行和合成结果。LlamaIndex实现了两层路由：复合检索器选择索引，自动路由模式选择具体方法。这增加了灵活性和准确性，但引入了额外延迟和路由错误的风险。
