跳到主要内容
Zubnet AI › 学习 › Wiki › GraphRAG
使用AI

GraphRAG

别名:Graph RAG、Knowledge Graph RAG、知识图谱 RAG
检索增强生成的一种形式,先把文档转成知识图谱,使系统能够回答横跨许多文档的问题。

为什么重要

GraphRAG 针对的是普通 RAG 最为人熟知的两个弱点:

  • 全局性问题:需要纵览整个文档集,比如主题、趋势、总结。
  • 多跳问题:需要把不同文档里的事实串起来,比如 A 与 B 有关,B 又与 C 有关。

它最适合对大型私有文档集做调查和分析类的工作,比如法律取证、情报分析、科学文献和企业知识库。

深度解析

标准的 RAG 把文档切成块,为它们生成嵌入,再检索出与问题最相似的几个块。当答案就在一两个段落里时,这很好用。但遇到“这 5,000 份报告的主要主题是什么?”或“这家供应商和那起诉讼有什么关联?”这样的问题,它就不行了,因为没有哪一个块单独包含答案。

GraphRAG 在检索之前加入了结构。由一个 LLM 阅读文档,抽取其中的实体(人物、公司、产品、概念)以及它们之间的关系,构建出一张知识图谱。这样检索就可以沿着关联前进,而不只依赖文本相似度。这个词既是泛称,也指 Microsoft Research 在 2024 年发布的一个具体的开源系统。

Microsoft 的 GraphRAG 如何工作

建立索引:

  1. 把文档切成块。
  2. 让 LLM 从每个块中抽取实体、关系和关键论断。
  3. 把它们合并成一张图,并合并重复的实体。
  4. 运行社区发现算法,把联系紧密的实体分成簇,并形成多个粒度层级。
  5. 让 LLM 为每个社区写一份摘要报告。

查询:

  • 全局搜索:对宽泛的问题,系统把问题交给许多社区摘要,收集各自的部分答案,再以 map-reduce 的方式合并。
  • 局部搜索:对涉及特定实体的问题,系统从匹配到的实体出发,把它们的邻居、关系、社区报告和原文一并取回。

成本

建立索引很贵。每个块都要经过 LLM,而且往往不止一次,摘要又增加了更多调用。为一个大型文档集建索引的成本,可能是计算嵌入的几百甚至几千倍。更新也很麻烦,因为新文档可能改变图及其摘要。抽取质量同样重要:漏掉或错误合并的实体会悄悄拉低回答质量。

一些更轻量的变体在解决这个问题。Microsoft 的 LazyGraphRAG 把大部分 LLM 工作推迟到查询时,LightRAG、HippoRAG 等项目则采用成本更低的建图方式。Neo4j 等图数据库和 LlamaIndex 等框架也提供了各自的基于图的检索工具。

什么时候用

当用户确实会问全局性问题或需要把线索串起来的问题,并且文档集相对稳定时,就用 GraphRAG。不要把它用在直接查事实的场景,那里混合搜索加重排序模型更便宜、更快,效果通常也一样好。一条稳妥的路线是先搭建普通 RAG,收集它答不好的问题,再看这些问题是不是图能解决的那一类。

另一条路

智能体式检索用不同的方式解决了其中一部分问题:不预先建图,而是让智能体反复搜索,顺着线索从一篇文档追到下一篇。它每次查询的成本更高,但没有前期投入,如今很多团队会在投入建图之前先试试它。

← 所有术语
ESC