简介：本文系统解析 GraphRAG 的定义、核心思想与工作流程，重点说明其在知识图谱生成、全局问答能力和检索增强方面的技术优势，帮助开发者理解该方案与传统 RAG 的区别、适用场景及落地注意事项。
GraphRAG 是一种将知识图谱引入检索增强生成流程的技术方案。它在传统 RAG 的基础上，不再仅依赖向量检索和文本片段召回，而是先从原始文档中自动构建知识图谱，再基于图谱结构进行检索与答案生成。
从定义上看，GraphRAG 属于检索增强生成的一种扩展形态。其核心区别在于：传统 RAG 的检索对象是文本块，而 GraphRAG 的检索对象既包括文本块，也包括实体、关系、社区摘要等图谱结构信息。这样做的目的是让大模型在生成答案时，不仅能够获取局部相关文本，还能获取数据集中更加全局、结构化、多跳关联的语义信息。
简单来说，GraphRAG 通过引入知识图谱，将“基于向量相似度的语义召回”升级为“基于图结构的语义召回与推理增强”，从而提升复杂问题的回答能力。
传统 RAG 通常将文档切分为固定大小的文本块，再通过向量检索的方式召回与用户问题最相似的若干片段，最后交给大模型生成答案。这种方式在事实型、局部型问题上表现良好，但在以下场景中会出现明显局限：
GraphRAG 的出现正是为了弥补这些不足。它在保留文本检索能力的同时，增加了图结构信息，使检索过程可以从“找相似文本”扩展为“找相关实体、关系与社区”，从而支持更复杂的问答类型。
GraphRAG 的核心思想可以概括为两点：
第一，提出了一套完整、可落地的知识图谱自动生成方案。该方案利用大模型对原始文本进行实体识别、关系抽取、图谱增强和社区摘要生成，形成结构化语义索引。
第二，借鉴 MapReduce 的思路支持全局类型问答。系统先将数据集划分为多个可并行处理的单元，再对局部结果进行汇总，使大模型能够回答需要跨文档、跨片段综合的问题。
从流程上看，GraphRAG 主要分为两个阶段：
表面上这两个阶段与传统 RAG 流程相似，但 GraphRAG 真正有价值的地方在于，它提供了一套可工程化实现的知识图谱构建与检索方法，其中具体细节和可复用设计才是开发者需要重点关注的内容。
在 GraphRAG 中，知识图谱生成阶段通常包含多个关键步骤，下面逐一展开说明。
文本分块是知识图谱生成的基础步骤。系统首先将较大的原始文本拆分为多个较小的段落，每个段落作为后续图谱提取的最小处理单元。
分块通常以 token 数量为单位进行切分，这样可以控制每次送入大模型的输入长度，同时保证实体关系提取的上下文完整性。分块后的文本不仅用于后续图谱构建，还会与提取出的实体和关系建立关联，便于最终生成答案时回溯原文。
实体和关系是知识图谱最基本的组成单位。在 GraphRAG 中，实体通常包含名称、类型和描述三个字段。例如：
| 字段 | 示例值 |
|---|---|
| 实体名称 | Alex |
| 实体类型 | person |
| 实体描述 | Alex 是一个角色，他经历了挫折，并且观察了其他角色之间的动态。 |
关系则用于描述两个实体之间的语义联系，通常包含源实体、目标实体、关系描述和关系强度。例如：
| 字段 | 示例值 |
|---|---|
| 源实体 | Alex |
| 目标实体 | Taylor |
| 关系描述 | Alex 受到 Taylor 权威性确定性的影响，并观察到 Taylor 对设备态度的变化。 |
| 关系强度 | 7 |
在实际实现中，系统会对每个文本块调用大模型，按照预设的实体类型列表进行实体和关系抽取。提示词通常会明确要求模型识别指定类型的实体，并提取实体之间的所有关系。这种设计使得图谱构建过程具备较强的可控性，同时也便于根据不同领域调整实体类型。
在完成实体和关系提取后，需要对多个文本块的结果进行合并，形成全局知识图谱。
同一实体可能出现在不同文本块中，系统需要通过名称匹配或向量相似度等方式进行实体对齐与合并。合并后的图谱中，实体作为节点，关系作为边，构成一个完整的图结构。这个步骤的目标是消除重复实体，统一实体表示，并保留不同文本块中提取出的关系信息。
图谱增强是在初步图谱基础上进一步提升质量的过程。常见操作包括：
图谱增强的目标是让最终用于检索的图结构更加准确、稳定，并减少后续推理过程中的噪声。
社区摘要是 GraphRAG 中一个比较有特色的设计。系统会对构建好的图谱进行社区检测，将语义联系紧密的实体和关系划分到同一个社区中，然后利用大模型为每个社区生成摘要。
社区摘要可以看作一种“高层语义索引”。当用户提出全局性问题时，系统可以优先检索社区摘要，而不是遍历所有文本片段。这种方式显著降低了处理大规模数据集时的计算开销，同时提升了对全局问题的回答质量。
图谱可视化用于将构建出的知识图谱以图形化方式展示出来，帮助开发者直观理解实体之间的关联结构。虽然可视化不是检索生成的必需环节，但在调试、评估和解释图谱质量时非常有用。
相比传统 RAG，GraphRAG 在多个方面体现出性能优势，主要体现在以下几个维度。
传统 RAG 偏向于召回与问题局部相似的文本片段，对于需要跨文档归纳、多跳推理或全局总结的问题，召回质量往往不足。GraphRAG 通过实体、关系和社区摘要等结构化信息，使检索过程能够覆盖更广泛的语义关联，从而提升复杂问题的回答效果。
GraphRAG 借鉴 MapReduce 的思路，将数据集切分为多个局部单元分别处理，再汇总生成全局视图。这种设计使得系统可以回答“整个数据集中主要讨论了哪些主题”“不同角色之间的关系如何演变”等需要全局视野的问题。
传统向量检索主要依赖文本语义相似度，容易出现召回片段零散、上下文割裂的问题。GraphRAG 将实体和关系作为显式索引，使召回结果具备更强的结构化特征。生成答案时，大模型不仅能看到相关文本，还能看到实体属性、关系描述和社区摘要，从而提升回答的一致性和准确性。
在多跳问题中，用户问题往往需要先找到实体 A，再通过关系找到实体 B，最后结合实体 C 的信息给出答案。传统 RAG 需要通过多次检索才能尝试覆盖这些信息，而 GraphRAG 可以在图结构中直接沿边遍历，减少无效召回，提高检索效率。
GraphRAG 并不适用于所有问答场景，但在以下类型的应用中具有明显优势：
对于简单的局部事实问答，传统 RAG 通常已经足够，并且构建成本更低。GraphRAG 的价值更多体现在复杂语义关联和全局问答需求较强的场景中。
传统 RAG 的索引单元是文本块，检索方式是向量相似度匹配。GraphRAG 的索引单元除了文本块，还包括实体、关系、社区摘要和图结构。两者并不是完全替代关系，GraphRAG 可以理解为在传统 RAG 之上增加了一层结构化语义索引。
知识图谱问答通常依赖预先构建好的领域知识图谱，使用图查询语言进行检索。GraphRAG 则强调从非结构化文档中自动构建图谱，并将图谱检索与大模型生成相结合。前者更适合已有结构化图谱的场景，后者更适合从原始文档中动态构建语义索引的场景。
向量数据库检索关注的是向量相似度计算和最近邻召回，GraphRAG 则在其基础上增加了图遍历、社区检测和摘要生成等能力。两者可以配合使用，例如用向量检索召回候选实体，再通过图结构扩展相关关系。
在实际落地 GraphRAG 时，需要关注以下几方面问题。
第一，构建成本较高。知识图谱生成需要多次调用大模型进行实体关系提取、社区摘要生成和实体合并，计算开销通常高于传统 RAG。对于数据量较小或问题类型简单的场景，需要权衡投入产出比。
第二，图谱质量依赖提示词设计。实体类型定义、关系抽取规则和合并策略都会影响最终图谱质量。不同领域可能需要针对性调整提示词和实体类型列表。
第三，实体对齐是常见难点。同一实体在不同文本中可能以不同名称出现，如何准确合并实体直接关系到图谱结构是否正确。
第四，社区检测的粒度需要调优。社区划分过细会导致摘要数量过多，过粗则可能丢失局部语义信息。实际使用中需要根据数据集特点进行调整。
第五，大模型调用成本与延迟。图谱构建阶段通常需要处理大量文本块，调用次数较多，需要考虑批处理、并发控制和成本控制策略。
GraphRAG 是一种在检索增强生成中引入知识图谱的技术方案。它通过自动构建实体关系图、社区结构和摘要信息，将传统基于文本块相似度的检索升级为基于图结构的语义召回与推理增强。
其核心价值在于提升了复杂问题、多跳问题和全局总结类问题的回答能力，尤其适合需要跨文档理解和结构化语义索引的场景。与此同时，GraphRAG 的落地成本也高于传统 RAG，需要在实际项目中结合数据规模、问题复杂度和性能需求进行综合评估。
理解 GraphRAG 的关键，不在于记住其宏观流程，而在于掌握知识图谱生成、社区摘要构建和基于图结构的检索生成等具体实现方法。只有深入到这些细节，才能在实际系统中发挥其真正优势。