本文梳理了微软GraphRAG近一年的发展历程。从最初为解决传统RAG在全局总结任务上的不足而提出，到开源并面临落地成本痛点，再到LazyGraphRAG的发布，成本降低1000倍。最新2.0版本正式开源LazyGraphRAG，即NLP graph extraction功能。LazyGraphRAG通过NLP名词短语提取和图形统计优化概念图，实现超低成本RAG。与传统方法相比，LazyGraphRAG能够提供更丰富的答案，为用户带来更好的体验。文章还推荐了其他AI Agent相关阅读资源。

🚀 微软GraphRAG的提出是为了解决传统RAG在全局性查询总结任务上的不足，通过大模型驱动的知识图谱（KG）来实现更有效的全局信息整合。

💡 LazyGraphRAG通过NLP名词短语提取概念及其共现关系，并利用图形统计优化概念图和提取分层社区结构，从而将数据索引成本降低至GraphRAG的0.1%，大幅降低了落地成本。

📚 LazyGraphRAG在技术上，使用`text_analyzer.extract`方法提取名词短语构建节点，并通过统计名词短语在同一文本单元中的共现次数来确定边的权重，再使用点互信息（PMI）对边的权重进行归一化。

✅ 效果对比显示，LazyGraphRAG能够提供更加丰富的答案，例如在描述2024年健康保险计划时，能够提供更全面的信息，提升用户体验。

原创 PaperAgent 2025-03-14 00:03 湖北

微软GraphRAG自提出，已历时快一年，PaperAgent对其发展历程进行了专门梳理与总结：

去年4月，为解决传统RAG在全局性的查询总结任务上表现不佳，微软多部门联合提出Project GraphRAG（大模型驱动的KG）；

去年7月，微软正式开源GraphRAG项目，引起极大关注，至今23.2k star，但落地时却面临巨大成本痛点（具体：LLM用于实体关系抽取+描述，社区总结）；

去年11月，为了上述痛点，微软发布了LazyGraphRAG，将数据索引成本降低1000倍，只有GraphRAG的0.1%（使用 NLP 名词短语提取来识别概念及其共现，再利用图形统计来优化概念图并提取分层社区结构）；

时隔3月，微软GraphRAG项目迎来2.0.0版本，正式开源LazyGraphRAG，即NLP graph extraction功能。

LazyGraphRAG代码解读

NLP图谱抽取

graphrag/index/workflows/extract_graph_nlp.py

建立名词短语图

graphrag/index/operations/build_noun_graph/build_noun_graph.py

nodes：

使用text_analyzer.extract方法从每个文本单元中提取名词短语

去重

edges（共现关系）：

将节点数据框中的text_unit_ids展开，得到每个文本单元中出现的名词短语列表

对每个文本单元中的名词短语列表，生成所有可能的边（即名词短语对）

edge_weights

按source和target分组，统计边的权重（即边出现的文本单元数量）

使用点互信息（PMI）对边的权重进行归一化

LazyGraphRAG技术原理

使用 NLP 名词短语提取来提取概念及其共现

使用图形统计来优化概念图并提取分层社区结构

效果对比，LazyGraphRAG答案更加丰富，Query：描述 2024 年健康保险计划开放注册期间，美国个人在选择健康保险计划时应考虑哪些因素。

微软LazyGraphRAG：新一代超低成本RAG

https://github.com/microsoft/graphrag/blob/main/CHANGELOG.md

推荐阅读

• 动手设计AI Agents：Coze版（编排、记忆、插件、workflow、协作）

• DeepSeek R1 + Agent 的下半场

• RAG全景图：从RAG启蒙到高级RAG之36技，再到终章Agentic RAG！

• Agent到多模态Agent再到多模态Multi-Agents系统的发展与案例讲解（1.2万字，20+文献，27张图）

---

欢迎关注我的公众号“PaperAgent”，每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。

阅读原文

跳转微信打开