Graph RAG

标准 RAG 以向量相似度做单跳召回，对「A 与 B 有什么间接关联」「C 的上下游依赖链是什么」之类多层关系问题力不从心；Graph RAG 在预处理阶段把实体与关系显式存储为图，检索时沿图的边做多跳遍历，把子图作为上下文送入 LLM。

• 多跳推理：沿知识图谱的边逐跳扩展，能聚合散落在多份文档中的证据链。
• 结构化召回：以节点（实体）和边（关系）为单位组织上下文，比纯文本片段更易被 LLM 利用。
• 全局汇总能力：微软 GraphRAG 引入社区检测（Community Detection），可对大规模图谱做层次化摘要，回答「整个语料库的主题是什么」等全局性问题——这是标准 RAG 的盲点。
• 可溯源性：每条关系均可追溯到原始来源文档，答案引用路径更清晰。

Graph RAG 的完整流程分为三个阶段，每阶段均有对应技术组件。

• 图构建：对原始文档做实体识别（NER）和关系抽取（RE），通常借助 LLM 或专用抽取模型；结果存入图数据库（如 Neo4j）或内存图，节点代表实体，边代表关系类型及来源文档；微软 GraphRAG 在此阶段用 Leiden 算法做社区划分并生成层次化社区摘要（Community Report）。
• 检索：用户问题先经实体链接（Entity Linking）或向量检索确定「种子节点」，再从种子出发做图遍历（广度优先、最短路径或规则化多跳扩展）收集子图；对超大子图做修剪或摘要压缩，控制上下文长度。
• 生成：将子图中的节点、关系与原文片段拼装为结构化提示，交给 LLM 推理；微软实现同时支持本地检索（Local Search，针对特定实体）和全局检索（Global Search，基于社区摘要回答宏观问题）。
• 混合检索：向量召回与图遍历并行运行，结果合并后再重排，兼顾语义相关与关系完整性。

按图的来源和构建方式，Graph RAG 主要分为三种形态。

• 自动抽取图：从语料中用 LLM 或专用模型实时抽取实体关系，灵活但质量依赖抽取模型能力，是当前主流做法（代表：微软 GraphRAG、LlamaIndex PropertyGraphIndex）。
• 依托现有知识图谱：直接接入 Wikidata、企业领域图谱等已有 KG，质量更高但覆盖范围受限，适合垂直领域。
• 向量图混合：将向量索引与图索引并存，检索时两路并行后合并，代表工作包括 HippoRAG（2024，灵感来源于人类记忆的海马体机制）和 LightRAG（双层级检索策略，绕过社区检测开销）。
• 属性图（Property Graph）：节点和边均可附加向量表示，LlamaIndex 的 PropertyGraphIndex 是代表实现，兼顾语义检索与关系遍历。

Graph RAG 最适合关系复杂、需要跨文档聚合的企业级知识问答场景。

• 企业知识图谱问答：合同审查（跨条款追溯引用）、供应链分析（追踪多级依赖）、组织架构查询等，天然需要多跳关系推理。
• 医疗与生命科学：关联疾病-症状-药物-基因等多类实体，图结构能显式表达复杂医学关系。
• 代码库问答：函数调用图（Call Graph）本身即图结构，Graph RAG 可追踪调用链、依赖关系，回答「哪些模块依赖 X」之类问题。
• 学术文献分析：显式记录论文引用与共现关系，支持「某一研究方向的关键节点论文」等全局性问题。
• 安全与合规审计：追踪权限传递链路、数据流向，图结构可精确建模访问控制关系。

Graph RAG 常与标准 RAG、KGQA、Agentic RAG 并列讨论，边界需要厘清。

• Graph RAG vs 标准 RAG：标准 RAG 以向量相似度单跳召回，擅长「哪段文字最相关」；Graph RAG 沿图边多跳遍历，擅长「这些实体之间有什么关联」，代价是图构建和维护成本更高。
• Graph RAG vs 知识图谱问答（KGQA）：KGQA 依赖精确完整的图谱和规则引擎，容错性差；Graph RAG 容忍抽取噪声，通过 LLM 生成自然语言回答，灵活性更高。
• Graph RAG vs Agentic RAG：Graph RAG 的推理路径由图结构约束，确定性强、可复现；Agentic RAG 由 Agent 自主决定多轮检索策略，灵活但更难调试和审计。
• Graph RAG vs 向量数据库：两者不是竞争关系，多数 Graph RAG 实现以向量库做种子节点初筛，再用图遍历精化，互为补充。

Graph RAG 在工程落地中存在几个关键瓶颈，不宜对其能力过度乐观。

• 图构建成本高：实体识别与关系抽取质量直接决定上限，自动抽取的错误随图规模累积，修正和维护图谱需要持续的人工或半自动流程。
• 推理延迟显著：多轮社区摘要生成与图遍历使预处理和推理时延均高于标准 RAG，端到端延迟通常为朴素 RAG 的 2-3 倍。
• 「有图就能多跳」是误解：实体链接质量差、种子节点选错时，遍历出的子图可能与问题完全无关；图的连通质量比节点数量更重要。
• 对简单问题性价比低：单跳或单文档问题用标准 RAG 更快更便宜，Graph RAG 的额外遍历开销无法带来对等收益。
• 图谱时效性维护：语料更新时需同步更新图结构，增量更新机制不成熟时容易产生图谱与语料不一致的问题。

Graph RAG 的兴起是知识图谱研究与 LLM 应用落地两条线索交汇的产物。

• 2013-2019：知识图谱补全（KGC）与链接预测研究活跃（TransE 2013、RotatE 2019 等），主要面向结构化查询，不涉及开放域生成式问答。
• 2020：Facebook AI Research（Meta AI）提出 RAG 框架（NeurIPS 2020），奠定「检索增强生成」基础范式；同期 KGQA 领域开始探索将图谱与神经网络结合用于问答。
• 2023：LLM 应用爆发，工程社区开始将向量 RAG 的局限（多跳、全局汇总）与图谱结合，相关论文和开源项目迅速涌现。
• 2024 年 4 月：微软研究院在 arXiv 发布 GraphRAG 论文（arXiv:2404.16130），引入社区检测与层次化摘要，在全局性问题上大幅优于朴素 RAG，成为该方向的标志性工作。
• 2024 年 7 月：微软将 GraphRAG 开源发布至 GitHub，迅速获得超过两万颗 Star。
• 2024 年下半年：HippoRAG、LightRAG 等变体发布，LlamaIndex、LangChain 等主流框架相继集成多种 Graph RAG 实现，图谱构建与向量检索的混合方案逐渐走向工程标配。