Paper: GraphRAG: Unlocking LLM Discovery on Narrative Private Data
一句话概括
GraphRAG将文档转化为知识图谱并进行社区检测，通过图结构增强RAG在全局性和总结性问题上的回答能力。
核心思想
首先利用LLM从文档中抽取实体和关系构建知识图谱，然后对图谱进行分层社区检测，为每个社区生成摘要。在回答全局性问题时，汇聚多个社区摘要进行综合推理。这种方法克服了传统向量检索在处理需要全局理解的问题时的局限性。
关键创新
将知识图谱与RAG系统深度融合；分层社区检测捕获不同粒度的知识结构；社区摘要实现高效的全局信息聚合；特别擅长处理需要跨文档综合分析的查询。
深远影响
GraphRAG揭示了传统向量检索RAG在全局查询上的根本局限，推动了结构化知识在RAG中的应用。其开源实现被广泛采用，成为处理复杂私有数据的重要工具。
启发与思考
GraphRAG说明了不同类型的问题需要不同的检索策略。局部细节问题适合向量检索，全局总结问题需要结构化理解。在实际系统中，混合多种检索策略可能是最优方案。