graphrag

中杯可乐多加冰

RAG 深度实践系列（三）：RAG 技术演变与核心架构的深度剖析检索增强生成（RAG）技术的发展史，是一部不断挑战大型语言模型（LLM）局限性、追求系统级智能的演进史。RAG 的演变并非简单的功能叠加，而是对“如何高效、可靠地将外部知识融入 LLM 推理过程”这一核心问题的持续探索。我们可以将 RAG 的演进脉络划分为四个清晰的阶段：Naive RAG 确立基本范式，Advanced RAG 聚焦精细化优化，Modular RAG 追求架构灵活性，最终 Agentic RAG 实现自主决策与智能化。

LangGraph：让AI学会“回头是岸”的智能体架构在大模型应用开发的早期，我们像工厂老板一样，把AI当作一条高效但死板的流水线：输入进来，经过A、B、C几个固定工位，最后吐出结果。这种DAG（有向无环图）模式确实快，可一旦任务复杂一点，比如需要反复试错、中途查资料、甚至“我刚才说错了”，这套系统就直接宕机。LangChain早期的Chain设计正是如此——线性、脆弱、没有“后悔药”。

北京地铁1号线

1.3 元数据（Metadata）管理在RAG中，元数据是“关于数据块的数据”。它不仅仅是附加信息，而是实现精准检索、可信溯源和高效过滤的关键。

从 Louvain 到 Leiden：保证社区连通性的社区检测算法研究解读因为有 GraphRAG 的需求，其中涉及到了社区检测，因此也稍微看看这一领域中常用的 Louvain 算法和 Leiden 算法。本文内容主要是对论文 From Louvain to Leiden: guaranteeing well-connected communities 的简单分析解读，其中所提到的实验数据也是来源于此论文。

讲透知识图谱Neo4j在构建Agent时到底怎么用（二）在构建面向真实业务场景的智能 Agent 时，我们很快会发现：仅靠大语言模型（LLM）和向量检索（RAG）远远不够。LLM 擅长生成流畅自然的语言，却缺乏对业务规则的精确把握；RAG 能从海量文档中召回相关信息，但无法处理需要多跳推理或结构化判断的问题。当用户问出“我是科技城的，家里空调坏了找谁？”这类问题时，系统若仅依赖关键词匹配或语义相似度，极易给出错误甚至自相矛盾的答案。

讲透知识图谱Neo4j在构建Agent时到底怎么用（一）知识图谱常被误解为一堆实体和关系的静态集合，实则不然。它的本质是一种结构化的语义网络，用“实体-关系-实体”的三元组形式，刻画现实世界中对象之间的复杂关联。这种建模方式天然贴近人类认知逻辑——我们理解“苹果”不仅因其属性（红色、甜），更因它与“水果”“乔布斯”“iPhone”等概念存在上下位、创始人、品牌等不同语义关系。传统关系型数据库以表结构存储数据，在表达这类多跳、异构、动态的关系时显得力不从心，JOIN 操作成本随关联深度指数级增长。图数据库的出现正是为了解决这一根本矛盾。

GraphRAG简介最近因为团队有 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。

赋范大模型技术社区

Agentic-GraphRAG 架构实践：较 GraphRAG 成本降低90%在大模型应用的深水区，很多开发者都会遇到这样的窘境：原生 RAG 面对复杂逻辑像个人工智障，只会根据语义相似度乱翻书；而 Microsoft GraphRAG 效果虽好，价格高出天际，处理几万字文档就要数美金，且索引速度慢如牛。

Windows下使用源码和Conda搭建GraphRAG指南点击查看【GraphRAG的使用】GraphRAG需要一些系统级依赖：1）安装 CMake（如果尚未安装）从【这个地址】下载并安装CMake，执行以下命令并看到以下信息表示安装成功：

GraphRAG-2.7.0整合Milvus-2.5.1GraphRAG-2.x默认支持的 vector_store 只有 3 种：lancedb（默认）、azure_ai_search、cosmosdb，目前微软官方没有支持Milvus向量数据库。为了整合milvus，需要对源码进行调整。

KG_LLM图谱增强大模型

［经典之作］大语言模型与知识图谱的融合：通往智能未来的路线图本文提出了融合大语言模型（LLMs）与知识图谱（KGs）的前瞻性路线图，涵盖三大框架：KG增强的LLMs、LLM增强的KGs，以及协同LLMs+KGs。通过系统综述现有研究并指出未来方向，为两种互补技术的统一提供了全面指导。

AI入门之GraphRAG企业级部署性能优化策略：从索引到检索的全链路提效实践图片来源网络，侵权删在企业级知识管理与智能决策场景中，GraphRAG（基于知识图谱的检索增强生成）已成为处理百万级文档、实现复杂推理的核心技术。然而，其性能瓶颈（如索引构建慢、检索延迟高、增量更新成本高）仍是企业规模化部署的关键挑战。本文结合最新技术实践（如LightRAG、E²GraphRAG、悦数Graph RAG等），从索引优化、检索加速、增量更新、硬件适配四大维度，系统阐述GraphRAG在企业级部署中的性能优化策略，并通过真实案例验证其效果。

KG_LLM图谱增强大模型

突破AI助手成本壁垒：知识图谱思维架构让小模型实现大性能https://github.com/spcl/knowledge-graph-of-thoughts

KG_LLM图谱增强大模型

[Nature子刊]浙大SciToolAgent：用知识图谱驱动的科学智能体实现多工具集成本文介绍了SciToolAgent，一个基于大语言模型的科学智能体，可自动化处理生物学、化学和材料科学领域的数百个专业计算工具，通过构建科学工具知识图谱实现智能工具选择和执行，显著提升科研效率。

KG_LLM图谱增强大模型

[ICAIS2025]探索LLM驱动的知识图谱构建：技术机制、方法对比与未来方向摘要知识图谱（KGs）长期以来一直是结构化知识表示和推理的基础设施。随着大型语言模型（LLMs）的出现，知识图谱的构建进入了一个新范式——从基于规则和统计的流程转向由语言驱动和生成性框架。本综述全面概述了LLM驱动的知识图谱构建的最新进展，系统性地分析了LLMs如何重塑经典的三层本体工程、知识提取和知识融合流程。

GraphRAG本地部署 v2.7.01.本地部署（1）创建虚拟环境（miniconda等）。（2）下载源码并进入目录1) 在 graphrag 文件夹下面创建一个./ragtest/output

KG_LLM图谱增强大模型

整合知识图谱与大语言模型：下一代药物发现的革命性技术Integrating Knowledge Graphs and Large Language Models for Next-Generation Drug Discovery

Graph RAG论文阅读笔记说明：利用检索增强生成（RAG）从外部知识源检索相关信息，使得大型语言模型（LLMs）能够针对私有的或之前未见过（即不在训练集中）的文档集回答问题。然而，RAG在针对整个文本语料库的全局性问题上会失败，例如问题：“数据集中的主要主题是什么？”。因为这本质上是一个查询聚焦的汇总（query-focused summarization, QFS）任务，而不是一个明确的检索任务。同时，以前的QFS方法（译注：所能处理的文本量较小），无法扩展到通常RAG所能处理的文本数量级。为了结合这些存在显著差别的方法的优势，

GraphRAG数据可视化

Linux系统安装部署GraphRAG完全指南GraphRAG（Graph-based Retrieval-Augmented Generation）是微软开源的新一代知识图谱增强型检索生成技术，它通过构建实体关系网络来提升传统RAG的全局理解能力。与传统基于文本块的RAG不同，GraphRAG能够：