引言
最近因为团队有 GraphRAG 的需求，一直在调研这方面相关的工作。其实很早就了解以及折腾过这个领域中的鼻祖：微软的GraphRAG，至今依然很经典，但是当时也是浅尝辄止，没有好好深入了解。这次也是想借此机会好好整理下 GraphRAG 的技术内容，温故而知新，并且研究一些这方面做得比较好的开源项目，了解下目前这块的进展，后续慢慢更新。
GraphRAG 是什么？
GraphRAG是一种结构化、分层的检索增强生成（RAG）方法，与使用纯文本片段的简单语义搜索方法不同。GraphRAG流程包括从原始文本中提取知识图谱、构建社区层次结构、为这些社区生成摘要，然后在执行基于RAG的任务时利用这些结构。
简而言之，可以理解为将我们平常所熟知的 RAG（这里我们称之为 Naive RAG）中所使用的向量数据库替换为知识图谱，在 R(etrieve) 阶段，从知识图谱中检索相关信息，而不是像原来一样，基于向量相似度从向量数据库中检索相关文本块。
GraphRAG 解决的问题
既然在这之前已经有了 Naive RAG（使用向量相似度作为检索技术），为何还需要 GraphRAG 呢？GraphRAG 到底解决了什么问题或者痛点呢？这就得提到 Naive RAG 表现比较差的两个场景了：
- "连接点"难题：当答案需整合多个分散信息片段时（也就是熟知的多跳问题），Naive RAG 通常表现很差
- 全局语义理解：当需要从大量数据集甚至单个大型文档中整体理解抽象、全局的语义概念时，Naive RAG 的效果也很差。
Naive RAG 在这两类问题上表现不佳，其根本原因在于它的检索机制本质是扁平的、局部的、基于向量相似性匹配的检索，缺乏对信息之间结构化关系和整体语义组织的建模能力。GrapRAG 则是为了解决这些问题而设计的，其通过构建知识图谱，创建了实体之间的关联关系和结构化信息，再加上对知识图谱进行社区检测操作、输出社区报告和摘要，实现了对全局信息和整体文档的更好的理解，因此能在这两类问题上有不错的表现。下面简单举例说明下这两个问题。
问题举例说明
假设你有一个包含 5,000 篇科技新闻、产品评测、供应链报告和专利文档 的私有知识库，内容涵盖 2020--2025 年华为手机相关动态。
这些文档分散提及以下信息：
-
文档 A（2023年供应链报告）：
"中芯国际已为华为提供 7nm 芯片代工服务，用于新款旗舰手机。"
-
文档 B（2024年发布会新闻稿）：
"华为 Mate 60 Pro 搭载麒麟 9000S 芯片，支持 5G。"
-
文档 C（行业分析文章）：
"麒麟 9000S 是华为自研 SoC，由中芯国际代工，采用 N+2 工艺（等效 7nm）。"
-
文档 D（用户论坛摘要）：
"Mate 60 系列是华为自 2019 年后首次在旗舰机上恢复 5G 功能。"
-
文档 E（专利数据库）：
"华为于 2022 年申请了射频前端模组专利，用于绕过美国 5G 射频限制。"
多跳问题
用户问题：
"华为是如何在被制裁的情况下让 Mate 60 Pro 支持 5G 的？"
这个问题的答案分散在多个文档中，没有任何一篇完整说明整个技术路径。
Naive RAG 效果
- 检索系统根据"华为 Mate 60 Pro 5G 制裁"生成嵌入，返回最相似的几个文本块。
- 可能命中：
- 文档 B："Mate 60 Pro 支持 5G。"
- 文档 D："Mate 60 是 2019 年后首款 5G 华为手机。"
- 但无法召回关于芯片代工（文档 A/C）或射频专利（文档 E）的内容，因为它们不包含"Mate 60 Pro"或"5G"等关键词组合。
- 生成结果 ： "华为 Mate 60 Pro 支持 5G，这是自 2019 年以来的首次回归。"
→ 未回答"如何实现"，缺失核心技术路径。
GraphRAG 效果
- 离线阶段构建知识图谱，识别关键实体与关系：
- 实体：
华为、Mate 60 Pro、麒麟 9000S、中芯国际、5G、射频专利 - 关系：
Mate 60 Pro ---搭载→ 麒麟 9000S麒麟 9000S ---由→ 中芯国际 代工中芯国际 ---提供→ 7nm 工艺华为 ---拥有→ 射频前端专利射频专利 ---用于→ 绕过 5G 限制
- 实体：
- 查询时，系统围绕"Mate 60 Pro"和"5G"展开局部图遍历，聚合所有关联路径。
- 生成结果 ： "华为通过三方面突破实现 Mate 60 Pro 的 5G 功能：(1) 自研麒麟 9000S 芯片；(2) 由中芯国际使用 7nm 级工艺代工；(3) 应用其 2022 年申请的射频前端专利，规避美国对 5G 射频组件的限制。"
→ 完整还原技术逻辑链，实现多跳推理。
全局语义理解问题
用户问题：
"过去五年，华为手机业务的战略重心发生了哪些变化？"
这是一个宏观、抽象、需要整体洞察的问题。
Naive RAG 效果
- 检索"华为 手机 战略 五年 变化"，可能返回几篇标题含"战略"的文章片段。
- 结果可能包括：
- 2021年："华为聚焦软件生态（鸿蒙）"
- 2023年："回归硬件，发布 Mate 50"
- 2024年："Mate 60 Pro 支持 5G"
- 但这些片段孤立、无组织，LLM 很难从中提炼出清晰演进脉络。
- 生成结果 ： "华为这几年发布了鸿蒙系统，后来又出了新手机，最近还支持 5G 了......"
→ 零散、缺乏结构、无深度洞察。
GraphRAG 效果
- 图谱构建后，通过社区检测（Leiden 算法）发现多个主题社区：
- 社区1（2020--2021） ：以"鸿蒙 OS""HMS 生态""剥离荣耀"为核心 → 软件求生期
- 社区2（2022--2023） ：聚焦"4G 旗舰回归""卫星通信""国产供应链" → 硬件重建期
- 社区3（2024--2025） ：关键词"5G 回归""自研芯片量产""高端市场反攻" → 技术突围期
- 每个社区已有预生成的摘要。
- 生成结果 ： "华为手机战略经历了三个阶段：(1) 生存转型期 （2020--2021）：转向鸿蒙生态，剥离荣耀以保核心；(2) 能力重建期 （2022--2023）：在无 5G 条件下推出卫星通信等创新功能；(3) 技术反攻期 （2024 起）：通过自研芯片与国产代工实现 5G 回归，重夺高端市场。"
→ 结构清晰、时间有序、洞察深刻。
问题总结与对比
其实除了上述提到的两个主要的问题，还有一些在 Naive RAG 上表现比较差的问题，在这里与之前的问题一起，包括 GraphRAG 如何相应地解决这些问题，整理在下面的表格：
| 痛点 | Naive RAG 的表现 | GraphRAG 如何解决 |
|---|---|---|
| 1. 无法进行多跳推理（Multi-hop Reasoning） （即"连接点"问题） | 只能检索与查询字面最相似的片段，无法将分散在不同文档中的实体/事实关联起来。例如："A 和 C 有什么关系？"但 A→B→C 的路径分布在三篇文档中 → RAG 找不到答案。 | ✅ 通过知识图谱显式建模实体间关系，支持图遍历（如 A → B → C），实现跨文档多跳推理。 |
| 2. 缺乏全局语义理解能力 | 每次只看局部 top-k 文本块，无法把握整个语料库的主题结构、趋势或宏观模式。回答"整体上讲了什么？"这类问题效果差。 | ✅ 利用社区检测（如 Leiden 算法）对图谱聚类，生成分层社区摘要，支持"Global Search"回答全局性问题。 |
| 3. 对模糊/抽象/高层次问题响应弱 | 查询如"主要风险有哪些？""核心争议是什么？"缺乏关键词匹配，检索结果噪声大或不相关。 | ✅ 社区摘要天然包含高层次语义（如"该社区聚焦数据隐私与模型偏见"），可直接用于回答抽象问题。 |
| 4. 重复信息冗余，缺乏去重与整合 | 多篇文档可能重复提及同一事实，RAG 会多次检索相似片段，导致 LLM 输入冗长、矛盾或低效。 | ✅ 图谱将相同实体/关系归一化，天然去重；社区摘要自动融合多源信息，输出更简洁一致。 |
| 5. 难以解释答案来源 | 虽可引用检索段落，但无法说明"为什么这些段落相关"或"逻辑链如何形成"。 | ✅ 图结构提供可追溯的推理路径（如实体 A → 关系 R → 实体 B），增强可解释性与可信度。 |
| 6. 对私有/专业领域术语理解浅层 | 向量嵌入可能无法准确捕捉领域内细微语义（如同义词、缩写、隐含关系）。 | ✅ 在图构建阶段可通过定制化 NER 和关系抽取（如用领域 LLM 提示工程）显式捕获专业语义，提升准确性。 |