GraphRAG — 图谱RAG

GraphRAG 是 检索增强生成 (Retrieval-Augmented Generation, RAG) 的一种高级范式，它不使用传统的基于离散文本片段（块）的检索，而是利用知识图谱 (Knowledge Graph, KG)。图结构明确表示实体之间的关系和领域概念的层次结构，这使得 LLM 能够执行多步逻辑知识检索，并生成更具上下文感知能力和可解释性的答案。

在处理复杂的多跳 (multi-hop) 查询时，GraphRAG 方法相比传统 RAG 显示出显著优势，因为这类查询的答案依赖于分散在不同文档中的多个事实的组合。

传统RAG的局限性与图的优势

基于非结构化文本向量检索的传统 RAG 面临一系列根本性限制，这些限制在复杂的企业场景中变得至关重要：

• 缺乏结构化连接： 传统 RAG 将文本块视为孤立的单元，无法识别它们之间的显式联系。这使其在处理多跳 (multi-hop) 查询时效率低下，因为这类查询需要沿着事实链（A→B→C）进行推理，而检索可能只找到起点和终点（A 和 C），却忽略了中间环节。
• 语义模糊性： 在高度专业化的领域（如医学、法律、工程），术语具有特定的含义。向量检索虽然能捕捉到主题，但可能错误地解释特定对象的角色，导致提取到不相关的上下文。
• 可解释性有限： 传统 RAG 提供文档片段，但没有明确证据说明这些片段如何构成逻辑链。相比之下，GraphRAG 通过提供图中的路径作为证据，并要求将陈述与来源（引用）挂钩，使这一过程变得透明。

GraphRAG 通过将知识表示为相互关联的实体和关系网络来解决这些问题，使系统不仅能找到相似的文本，还能基于形式化的领域模型进行逻辑推理。

GraphRAG 架构

GraphRAG 的通用流程扩展了传统 RAG，增加了构建和使用知识图谱的步骤。它分为两个主要阶段：离线准备和在线查询处理。

阶段 1：数据摄取与索引（离线）

在此阶段，原始数据（文档、数据库）被转换为两种互补的表示形式：图表示和向量表示。

1. 知识提取： 使用 NLP 流水线从文本中提取结构化事实：
   • 命名实体识别 (Named Entity Recognition, NER)： 识别实体提及（人物、组织、产品）。
   • 实体链接 (Entity Linking, EL)： 将提及链接到图中的规范化标识符，以消除歧义（例如，“张三”和“张先生”成为同一个节点）。
   • 关系提取 (Relation Extraction, RE)： 识别实体之间的关系（例如，公司 X -收购→ 初创公司 Y）。
2. 图建模与存储： 将提取的三元组（主语-谓语-宾语）加载到图数据库中。模型选择（属性图 (Property Graph) 或 RDF）取决于具体任务。至关重要的是存储每个事实的来源 (provenance)——即指向原始文档和文本片段的链接。图中还可以添加关于时间 (valid_from/valid_to) 和置信度 (confidence) 的元数据。
3. 混合索引： 在构建图的同时，为原始文本片段创建向量索引。这使得结构化的图搜索能够与文本的语义搜索相结合。

阶段 2：查询处理与答案生成（在线）

1. 查询解析： 分析用户查询，提取关键实体，作为进入图的“入口点”。
2. 子图提取： GraphRAG 不是搜索单个文本块，而是找到一个相关的子图——围绕“入口点”的图的连接部分，其中包含回答问题所需的信息。为此，使用 k-跳遍历 或 Personalized PageRank (PPR) 等算法。
3. 混合检索与结果合并： 在提取子图的同时，对向量索引和/或词法索引（如 BM25）进行检索。来自图和文本的结果被合并并传递到下一阶段。
4. 重排序 (Re-ranking)： 使用更精确的模型（例如，交叉编码器）对合并后的候选列表（图节点和文本块）进行重排序，以选择最相关的信息。这有助于过滤噪声并提高准确性。
5. 上下文打包与生成： 将筛选和排序后的上下文（子图和文本）转换为 LLM 可理解的格式（例如，带来源的断言列表）。这个丰富的上下文被输入到提示中，用于生成最终答案。
6. 追溯与引用： 由于图中“事实 ↔ 来源”的关联，生成的答案包含指向支持每个论点的文档的精确引用，从而确保了高度的依据性和透明度。

组件对比表

GraphRAG 架构关键组件的对比分析

组件/方面	实现方案	优点	缺点/风险	适用场景
知识图谱模型	RDF/OWL	严格的本体论，支持逻辑推理 (reasoning)，与链接开放数据 (Linked Open Data) 兼容。	如果不使用额外的实体化 (reification) 技术，难以存储关系的属性（如时间、来源）。	具有现有本体论的语义丰富的领域；需要演绎推理。
	属性图 (Property Graph) (Neo4j 等)	灵活性高，节点/边上可有任意属性，性能优越。	需要手动定义清晰的模式，否则有“混乱”的风险；缺乏统一标准。	快速启动非结构化数据项目；与文档集成（多模数据库）。
子图提取	k-跳 BFS / DFS	覆盖深度 k 以内的所有节点，实现简单。	“图爆炸”：节点数量雪崩式增长；可能返回大量噪声。	小型图或 1-2 跳的遍历；层次结构。
	Personalized PageRank (PPR)	专注于真正相关的节点，能有效过滤噪声。	可能错过一个虽远但很重要的节点（如果路径少但该节点至关重要）。	具有多条路径的复杂网络（如社交图、引文图）。
混合检索	组合列表 (带权重 λ 的标量融合)	调整权重 λ 可根据任务平衡精确率/召回率 (precision/recall)。	固定的 λ 对所有类型的查询并非最优。	原型设计阶段；或当已知某一来源明显更重要时。
	交叉编码器重排序 (Cross-encoder rerank)	显著提升准确性；能够考虑复杂的相互关系。	增加延迟；需要训练数据或使用预训练模型。	高精度场景（如法律、医学），其中上下文的最大相关性至关重要。
数据安全	子图过滤 (RBAC/ABAC)	细粒度控制（到节点级别）可防止数据泄露。	“盲区”：如果一个重要节点被过滤掉，答案可能变得不完整。	具有严格访问要求的企业环境（PII、GDPR、商业机密）。

可追溯性、信任与安全

GraphRAG 的主要优势之一是能够提供透明的证据链。系统不再是“黑箱”作答，而是可以展示推理路径：“事实 A 在 [文档1] 中提到。它与 [文档2] 中的事实 B 相关，而根据 [文档3]，B 导致了 C。”——这增强了用户的信任并简化了调试过程。

此外，图结构允许实现细粒度的访问控制（RBAC/ABAC）。图中的每个节点或边都可以有关联的访问标签。在提取子图时，系统会自动过滤掉用户无权访问的数据，从而确保在敏感领域（金融、人力资源、医疗）的安全性。

质量评估

GraphRAG 系统的评估是一个多阶段过程，涉及每个组件的指标：

• 知识提取指标： 用于 NER 和 RE 的 F1 分数，以评估图的构建质量。
• 子图提取指标： Subgraph Recall@K（正确答案所需的节点/边被包含在提取子图中的比例）和用于多跳问题的 Path Precision/Recall。
• LLM 响应指标：
  • 忠实度 / 证据支持度 (Faithfulness / Groundedness)： 答案在多大程度上严格依赖于所提供的上下文。
  • 人工评估 (Human evaluation)： 专家根据正确性、完整性和连贯性等标准进行评估。

为了实现自动化评估，可以使用专门的基准测试（如 WebQuestionsSP, GrailQA）和框架（如 RAGAS）。

参见

• Retrieval-Augmented Generation (RAG)
• 知识图谱
• 向量数据库
• Embedding
• AI 智能体
• LLM 评估与基准测试

参考文献

• Zhang, Q. et al. (2025). A Survey of Graph Retrieval‑Augmented Generation for Customized Large Language Models. arXiv:2501.13958.
• Xu, Z. et al. (2024). Retrieval‑Augmented Generation with Knowledge Graphs for Customer Service Question Answering. arXiv:2404.17723.
• Hu, Y. et al. (2024). GRAG: Graph Retrieval‑Augmented Generation. arXiv:2405.16506.
• Nakano, R. et al. (2021). WebGPT: Browser‑assisted Question‑Answering with Human Feedback. arXiv:2112.09332.
• Yang, R. et al. (2025). KG‑IRAG: A Knowledge Graph‑Based Iterative Retrieval‑Augmented Generation Framework for Temporal Reasoning. arXiv:2503.14234.
• Song, Y. et al. (2023). Advancements in Complex Knowledge Graph Question Answering: A Survey. DOI:10.3390/electronics12214395.
• Nogueira, R.; Cho, K. (2019). Passage Re‑ranking with BERT. arXiv:1901.04085.
• Hsu, H.‑L.; Tzeng, J. (2025). DAT: Dynamic Alpha Tuning for Hybrid Retrieval in Retrieval‑Augmented Generation. arXiv:2503.23013.
• Lewis, P. et al. (2020). Retrieval‑Augmented Generation for Knowledge‑Intensive NLP Tasks. arXiv:2005.11401.
• Karpukhin, V. et al. (2020). Dense Passage Retrieval for Open‑Domain Question Answering. arXiv:2004.04906.
• Sun, H. et al. (2018). Open‑Domain Question Answering Using Early Fusion of Knowledge Bases and Text (GRAFT‑Net). arXiv:1809.00782.
• Sun, H.; Bedrax‑Weiss, T.; Cohen, W. W. (2019). PullNet: Open‑Domain Question Answering with Iterative Retrieval on Knowledge Bases and Text. arXiv:1904.09537.
• He, X. et al. (2024). G‑Retriever: Retrieval‑Augmented Generation for Textual Graph Understanding and Question Answering. arXiv:2402.07630.
• Es, S.; James, J.; Espinosa‑Anke, L.; Schockaert, S. (2024). RAGAs: Automated Evaluation of Retrieval Augmented Generation. ACL:2024.eacl-demo.16.