GraphRAG 是什么？

GraphRAG（Graph Retrieval-Augmented Generation，基于图谱的检索增强生成）是一种将知识图谱与大语言模型结合的进阶检索增强生成技术。传统的 RAG 通过向量数据库检索相似文本片段来辅助模型回答，但它只能“局部”地看问题——如果用户问“整个文档集的核心主题是什么”，传统 RAG 往往束手无策。GraphRAG 则先用大模型从原始文档中抽取实体、关系和关键声明，构建一张知识图谱，再基于图结构进行社区检测和层次化摘要。回答问题时，它既能检索具体节点，也能利用图摘要回答全局性问题。

简单说，传统 RAG 是“按图索骥找相似段落”，GraphRAG 是“先画出一张地图，再按地图寻路和俯瞰全局”。

怎么运作？原理拆解

GraphRAG 的处理流程大致分为两个阶段：索引阶段和查询阶段。

索引阶段

1. 文本切分与实体抽取：将文档切成小块，用大模型识别其中的实体（人物、组织、地点、事件等）、关系（谁与谁合作、谁属于谁）和关键声明。
2. 构建知识图谱：把抽取出的实体作为节点，关系作为边，形成一张图。同一实体在不同文档中出现会自动合并。
3. 社区检测与摘要：利用图算法（如 Leiden 算法）将紧密连接的节点划分为“社区”，并为每个社区生成摘要。社区有层次，从粗到细，类似地图的“国家—省—市”缩放。

查询阶段

• 局部搜索：针对具体问题，从相关实体节点出发，沿边扩展，收集邻近文本块和关系，交给大模型生成答案。
• 全局搜索：针对宏观问题，直接使用社区摘要进行 map-reduce 式汇总，回答“整个数据集讲了什么”。

与传统 RAG 的核心差异可以用下表概括：

值得注意的是，GraphRAG 并非取代传统 RAG，而是在其基础上增加图结构层，适合对推理深度和全局理解要求高的场景。

代表产品与工具

GraphRAG 最初由微软研究院在 2024 年开源，随后国内厂商快速跟进，推出了多个可直连、对中文友好的产品与方案：

• DeepSeek：其开放平台支持结合知识图谱的检索增强，开发者可用 DeepSeek 模型完成实体抽取和社区摘要生成，成本较低。
• Kimi（月之暗面）：长文本能力强，适合将 GraphRAG 的索引阶段与超长文档结合，官方文档中也有相关技术解读。
• 通义千问（阿里云）：阿里云百炼平台提供知识图谱构建与 RAG 串联能力，可基于通义模型快速搭建 GraphRAG 流水线。
• 智谱 GLM：GLM 系列模型支持函数调用和结构化输出，常被用于图抽取环节，智谱也有图数据库相关生态合作。
• 豆包（字节跳动）：在火山引擎上可搭配图数据库产品，实现企业级 GraphRAG 问答。
• 开源方案：微软 GraphRAG、Neo4j 的 GraphRAG 集成、LlamaIndex 的 Property Graph Index 等，国内开发者可本地部署。

对于普通用户，最直接的体验方式是使用已集成 GraphRAG 能力的智能助手或企业知识库产品；对于开发者，可以从微软 GraphRAG 开源项目入手，搭配国产大模型 API 进行实验。

应用场景

• 企业知识管理：把分散的制度、邮件、会议纪要构建成图谱，回答“公司今年在新能源领域有哪些合作”这类需要跨文档汇总的问题。
• 金融研报分析：抽取公司、人物、供应链关系，快速梳理行业上下游和风险传导路径。
• 医疗辅助：连接症状、药物、疾病和文献，支持多跳推理，如“某药物对某类患者的禁忌症有哪些”。
• 法律与合规：从判例、法条中构建关系图，辅助律师查找相似案例和法条关联。
• 智能客服：将产品文档、故障库图谱化，提升复杂故障排查的准确率。

常见问题

GraphRAG 比传统 RAG 更好吗？

不一定。GraphRAG 在全局理解、多跳推理和可解释性上优势明显，但构建索引的成本更高，速度更慢。如果只是简单的问答或单文档检索，传统 RAG 可能更经济高效。选择取决于业务对推理深度和全局汇总的需求。

个人开发者能自己搭建 GraphRAG 吗？

可以。微软开源了 GraphRAG 项目，配合国产大模型 API（如 DeepSeek、通义千问）和本地图数据库（如 Neo4j 社区版），个人开发者也能在几天内跑通原型。关键是准备好领域文档，并调整实体抽取的提示词。

GraphRAG 会取代知识图谱专家吗？

不会。GraphRAG 自动化了图谱构建的部分环节，但 schema 设计、实体消歧、质量评估仍需领域知识。它更像是降低了知识图谱的应用门槛，让更多开发者能快速用上图谱能力。