文档站点

主题

2025-02-03
1850
6.5m

GraphRAG 入门：从原理到实战 ​

什么是 GraphRAG？ ​

GraphRAG 是一种结构化的、分层的检索增强生成（Retrieval-Augmented Generation，简称 RAG）方法

  • 和传统的 RAG 不同，GraphRAG 不仅仅依赖文本相似度搜索，而是先把文本转成 知识图谱（-Knowledge Graph），再基于图谱结构来检索和生成答案。
  • 【回答质量高，但 token 消耗大、生成时间久，所以使用代价较高，个人部署不建议 ~~~ 】

简单来说：

  • 传统 RAG：找到和问题最像的文本片段 → 直接生成答案。
  • GraphRAG：先提取实体和关系 → 构建知识图谱 → 检索更精准的信息 → 生成更丰富的答案。

这样做的好处是：

  • 更好地处理跨文档、多跳推理的问题。
  • 能发现信息之间的隐含联系，而不仅是关键词匹配。

GraphRAG知识模型的核心定义 ​

GraphRAG所构建的知识模型由多个相互关联的核心定义构成，它们共同描绘了数据的深层结构 ：

  • 实体（Entities）： 这是知识图谱中的基本节点，代表着文本中被识别出的关键对象，例如人、地点、组织、事件或概念。LLM会从原始文本中提取这些实体，并赋予其一个标题、类型和描述 。

  • 关系（Relationships）： 这是连接实体之间的边，描述了实体之间的联系。它将实体连接起来。关系也包含一个描述，详细说明了连接的性质 。

  • 文本单位（TextUnits）： 它是后得到的逻辑文本块。这些文本单位是图谱（如实体和关系）的来源，并在查询阶段作为证据来源被引用 。

  • 社区（Communities）： 这是GraphRAG实现识别出由紧密相连的实体组成的群组，这些群组被称为社区 。这种层次化的社区结构能够帮助系统从不同的粒度审视数据。

  • 社区报告（Community Reports）： 这是。这些报告提供了对社区内关键实体、关系和主旨的高层次概述，并在全局搜索等查询模式中发挥核心作用 。

2. GraphRAG 原理 ​

在这里插入图片描述

GraphRAG 核心思想：

  1. 从原始文本中提取知识图谱
    • 节点（实体）+ 边（关系）
  2. 构建社区层级（Community Levels）
    • 发现信息的群体结构，比如哪些实体属于同一主题、组织或地理位置。
  3. 为这些社区生成摘要
    • 让模型理解某个社区的整体背景。
  4. 结合 RAG 任务执行问答
    • 通过图谱检索找到最相关的信息，再生成答案。

类比一下：传统 RAG 是“在书里找几段相关的句子”，GraphRAG 是“先画一张信息关系图，再从图上找到最优路径来回答问题”。

3. GraphRAG 的流程 ​

GraphRAG 的整体流程可以分为两大部分：索引阶段 和 查询阶段。 在这里插入图片描述

3.1 索引阶段（Indexing） ​

在这个阶段，系统将原始的非结构化文本数据作为输入，通过一系列复杂的LLM调用和数据转换步骤，自动构建出结构化的知识图谱及其相关的知识模型基本单元（如社区和摘要）。这个过程是一个自下而上的知识提炼过程 。

  1. 切分文本: 把大文本库切成可处理的小单元（TextUnits）。
  2. 提取实体、关系和关键声明：用 LLM 从文本中抽取人物、地点、事件等实体及它们之间的关系。
  3. 构建知识图谱：节点是实体，边是关系。
  4. 社区检测与聚类：用 Leiden 等算法将图谱分成若干社区。
  5. 生成社区摘要：用 LLM 总结社区关键信息。
  6. 存储到图数据库：方便后续高效检索。

3.2 查询阶段（Querying） ​

在知识图谱构建完成后，系统进入查询阶段。此时，用户可以提出自然语言问题，查询引擎会利用已构建的知识图谱来为LLM提供更丰富、更具关联性的上下文信息，从而生成准确、有洞察力的答案 。

  1. 解析用户问题：分解查询、识别涉及的实体。
  2. 全局检索：从社区摘要中获取整体背景。
  3. 局部检索：深入邻居节点和相关关系，获取细节。
  4. 生成答案：将检索结果交给 LLM，生成自然语言回答。

4. 示例对比 ​

在这里插入图片描述

假设问题是：

“Query：19世纪的艺术运动是如何影响20世纪现代艺术的发展的？”

  • 传统 LLM 直接回答：

    “19 世纪的艺术运动通过鼓励对色彩、形式和主题的实验，影响了 20 世纪的现代艺术……”

    笼统，没有细节链路!

  • 普通 RAG 回答（检索文本片段）：

    检索：1. 像克劳德·莫奈这样的印象派艺术家引入了新技术，彻底改变了对光和颜色的描绘。2. 印象派的技法影响了后来的 … 回答：莫奈引入新技术，改变了光和色彩的描绘；印象派影响了后来的艺术运动；毕加索开创立体主义……

    回答依旧可能割裂！

  • GraphRAG 回答（基于知识图谱）：

    检索：（莫奈）- [引进] →（新技术）- [革新] →（光和颜色的描绘）… 回答：“莫奈引入的新技术彻底改变了光和色彩的描绘，他的印象派技巧影响了后来的艺术运动，包括 20 世纪初出现的毕加索立体主义。这种影响帮助塑造了毕加索对碎片化视角的创新方法。”

    优势：

    • 有因果链条（莫奈 → 新技术 → 印象派 → 立体主义）
    • 信息更连贯

5. 实战：如何跑 GraphRAG ​

官方代码地址：https://github.com/microsoft/graphrag

6. 适用/不合适场景 ​

GraphRAG 特别适合：

  • 跨文档问答：多个文档中信息关联的问题。
  • 多跳推理：需要从多个实体关系链推理出答案。
  • 知识管理：企业内部知识库、科研资料等。
  • 长文本总结：社区层级摘要可以提炼核心脉络。

不适合的场景

  • 统计学，需要和数字打交道的场景。
  • 需要精确匹配的场景，例如标题、名称等。
  • 文档已经是结构化的比如 json、code，仅支持txt文档。
  • 不支持结构化输出，处理过程人工无法干预，只能修改提示词。

7. 总结 ​

GraphRAG 让 RAG 不再是“找最像的文本”，而是“基于关系图谱推理回答”。 它的关键价值在于：

  • 结构化信息 → 让知识更可检索、可推理。
  • 分层摘要 → 快速获得全局视野与细节。
  • 更适合复杂、跨域的问题。

如果你平时做的问答任务经常遇到：

  • 回答内容碎片化、不连贯
  • 模型找不到跨文档的关键信息

那 GraphRAG 值得你尝试。

https://www.cnblogs.com/ljbguanli/p/19031368

https://blog.csdn.net/sinat_37574187/article/details/151585042

最近更新