GraphRAG图谱增强检索
一句话总结
GraphRAG通过构建和利用知识图谱增强RAG的检索能力，特别擅长处理需要多跳推理和全局理解的复杂问题。
核心概念
GraphRAG由微软提出，核心思想是用LLM从文档中提取实体和关系构建知识图谱，再基于图结构进行检索。包括两种查询模式：Local Search（从相关实体出发遍历局部子图）和Global Search（利用社区摘要进行全局性问答）。构建过程：文档→实体/关系提取→图构建→社区检测→社区摘要生成。图谱提供了文档之间的结构化关联信息。
为什么重要
传统向量RAG难以处理跨文档的关联推理和全局性问题（如”所有涉及某主题的观点有哪些”）。知识图谱天然适合表示实体关系和进行多跳推理，弥补了向量检索的结构化信息缺失。
实践要点
图谱构建成本较高，需评估ROI。适合实体关系丰富的领域（如医疗、法律、金融）。图谱质量依赖于LLM的实体关系提取能力。可以将GraphRAG与传统向量RAG结合使用。关注图谱的持续更新和维护机制。使用社区摘要应对全局性查询。
常见误区
对所有场景都使用GraphRAG，忽视其构建和维护成本。知识图谱提取质量不做验证就直接使用。误以为GraphRAG能完全替代向量RAG。忽视图谱规模增长带来的查询性能问题。