本文深入探讨了检索增强生成（RAG）技术，特别是GraphRAG，它通过引入知识图谱来改进传统RAG的不足。文章首先介绍了传统RAG的局限性，即难以捕获数据点之间的依赖关系，然后详细阐述了GraphRAG的原理和优势。通过图结构，GraphRAG能够提升LLM的检索效果，构建更结构化的知识表达。文章还分析了GraphRAG的实现流程、代码示例，以及与传统RAG的结合使用，最后总结了不同技术的优缺点，为开发者提供了构建更强大RAG系统的参考。

💡 传统RAG主要依赖语义相似度进行检索，无法有效捕捉数据点之间的关系，这限制了其在复杂数据环境中的应用。

🔗 GraphRAG通过构建知识图谱来增强检索能力，它利用图结构来提升LLM的检索效果，尤其在处理信息关联密切的数据时表现出色。

🛠️ GraphRAG的实现流程包括实体和关系的提取、摘要生成，以及检索策略。微软提出的GraphRAG方法通过两阶段流程，构建知识图谱，并能识别图中的cluster，生成特定领域的摘要。

⚖️ GraphRAG的优势在于提供更丰富的实体与社区级描述，但摘要依赖静态的LLM生成，新增数据时需要重新索引。相比之下，传统RAG新增数据时无需重新索引，更高效。

引言

检索增强生成（RAG）主要目的是为了大模型引入外部知识，减少大模型幻觉，是目前大模型应用开发中必不可少的技术之一。但是传统RAG主要是通过语义相似度在向量空间中进行检索，无法捕获数据库中数据点之间的依赖关系。

为此，GraphRAG应运而生。本文将详细介绍传统RAG技术、GraphRAG技术、两者之间的优缺点以及如何将两者结合使用。本文结构安排：

传统RAG技术

RAG是 “检索增强生成（Retrieval Augmented Generation）” 的缩写。我们先聚焦于第一个词：检索。即首先检索相关上下文信息，是让大语言模型（LLM）基于特定上下文进行回答的第一步。

检索上下文有很多种方式，但目前最常见的方式是对给定数据集执行语义搜索（也称向量搜索）。这就引出了“朴素 RAG（Naive RAG）”这一术语，它是一种最基础的问题回答系统，其检索完全依赖向量搜索。

传统RAG技术介绍

在大多数 RAG 系统中，“R”（即 Retrieval，检索）指的就是向量搜索。通过使用Embedding模型将用户查询和数据进行向量化，然后通过语义相似度提取出最相关的信息。这通常需要借助向量数据库**实现。

由于朴素RAG的非常适合为查询请求进行检索相关上下文，并将其作为LLM生成回答的依据。用于朴素RAG的数据集通常包括一系列“文本”字段，每条文本都生成一个嵌入向量，如下图所示：需要注意的是，这里的每条数据都是独立的，每条都有其可以表示为向量的语义意义。因此，朴素RAG能访问的信息只是这些独立向量本身。这种方式只能表示出向量空间中的语义接近程度，并不能体现出数据之间的关系。

举个例子：假设我们有一个包含多个（虚构）合同的数据集（如合作、雇佣等），每份合同都包含 contract_text、author 和 contract_type 字段。我们对每份合同进行向量化，让每份合同有一个代表其语义的向量。当我们就这些数据提出问题时，朴素RAG就能很好地检索出最相关的合同：

传统RAG的局限性

在大多数检索任务中，数据之间的“关系”可能并不那么重要。但以合同为例，如果能编码合同之间的关系，将会非常有价值。例如，对于检索到的某份合同，我们可以知道它的作者，但并不知道作者是否还签署过其它合同。这时，我们就该进入Graph RAG的世界了。

GraphRAG技术

GraphRAG是一个总称，泛指所有在检索阶段利用知识图谱的RAG方法。不同的方法各有不同的实现方式，核心思想是通过图结构来提升 LLM 的检索效果。其中，微软提出的GraphRAG 实现是目前最受欢迎的方法之一，其流程图如下所示：微软的GraphRAG的实现采用两阶段流程，通过LLM构建知识图谱。其中在第一阶段，从原始文档中提取实体和关系，形成图谱的基础结构。

GraphRAG增强RAG能力

微软 GraphRAG 的亮点在于，构建完知识图谱后，它能识别图中的cluster，并为相互关联的实体群生成特定领域的摘要。这种分层方法将原始文本中的零散信息整合为结构化的实体、关系，从而形成更加有机、全面的知识表达。

这些实体、关系级别的摘要可以在用户查询时作为参考信息提供给LLM。结构化的图谱也支持多种检索方式，例如将图搜索和向量搜索结合，从而大幅增强信息检索体验。

GraphRAG代码实现

为展示这一概念，我们开发了一个简化的python代码程序：github.com/neo4j-contr…

实体、关系提取

使用与朴素RAG相同的模拟数据：huggingface.co/datasets/we… 100 份合同。GraphRAG 的关键配置之一是指定要提取和摘要的实体类型，它将直接影响后续图谱的构建。由于关注的是合同，所以这里选择提取 人名（Person）、组织（Organization） 和 地点（Location）。

allowed_entities = ["Person", "Organization", "Location"]await ms_graph.extract_nodes_and_rels(texts, allowed_entities)

提取完成后，相关实体关系展示如下图所示：图中紫色节点是合同文本及元数据，绿色节点为提取出的实体。每个实体都有名称与描述，实体之间可以存在多重关系。

摘要生成

某个实体可能在多份合同中出现，因此会有多个描述。同理，实体之间若在多个段落中出现，也可能有多个关系。为了整合信息，使用 LLM 对实体和关系进行摘要，消除冗余与重复。

await ms_graph.summarize_nodes_and_rels()

得到的摘要结果如下：现在，每对实体之间只保留一条整合后的关系，内容是所有来源信息的摘要。同时，每个实体也拥有一个综合的描述，例如图中Danny Williams 的完整档案信息。

在索引流程的最后，使用如Leiden算法这样的图算法识别网络中的社区结构。这些社区由紧密互联的节点组成，彼此之间连接更密切。不同颜色表示不同的社区，从图中可以看出节点之间自然聚集形成群组。

MS GraphRAG 的核心理念是：生成跨多个关系与实体的高层摘要，从而构建一个整体视图，将碎片化的信息整合为连贯、深入的洞察。

await ms_graph.summarize_communities()

知识图谱构建完毕后，接下来是检索阶段。

GraphRAG检索

从知识图谱中检索信息有多种方式。微软 GraphRAG 提供了三种检索策略：

全局搜索（Global Search）局部搜索（Local Search）漂移搜索（DRIFT Search）

其中局部搜索是将 AI 提取出的知识图谱与原始文档的相关文本段融合生成回答。它非常适合回答需要深入理解特定实体的问题（例如：“薰衣草精油的疗效有哪些？”）。局部搜索通过以下步骤进行：

「实体识别」：识别出问题中涉及的关键实体。「图谱导航」：这些实体成为图谱的切入点，系统可进一步：
查找关联实体；提取属性和关系；引入社区摘要等上下文信息。

将实体索引至向量数据库后，构建结合向量数据库和图数据库的检索流程。先通过向量数据库的语义搜索定位相关实体，再使用Neo4j**遍历图谱，探索实体间关系与更广泛的上下文网络。此混合方法融合了语义理解与结构关系，实现更深层的信息检索。

retriever = WeaviateNeo4jRetriever(    driver=driver,    client=client,    collection="Entities",    id_property_external="entity_id",    id_property_neo4j="name",    retrieval_query=retrieval_query)

首先从向量数据库查询出与用户问题最相关的实体，并将实体ID映射到Neo4j图谱中对应的节点。接下来，系统通过Cypher查询在图谱中遍历邻接关系，提取相关上下文。将向量语义搜索能力和Neo4j的关系导向结构相结合，那么就构建了一个既能理解数据内容又能理解数据连接的检索系统。

该查询整合了来自不同实体的文本、社区摘要、实体关系与实体自身的描述：

retrieval_query = """WITH collect(node) as nodesWITH collect {    UNWIND nodes as n    MATCH (n)<-[:MENTIONS]->(c:__Chunk__)    WITH c, count(distinct n) as freq    RETURN c.text AS chunkText    ORDER BY freq DESC    LIMIT 3} AS text_mapping,collect {    UNWIND nodes as n    MATCH (n)-[:IN_COMMUNITY*]->(c:__Community__)    WHERE c.summary IS NOT NULL    WITH c, c.rating as rank    RETURN c.summary    ORDER BY rank DESC    LIMIT 3} AS report_mapping,collect {    UNWIND nodes as n    MATCH (n)-[r:SUMMARIZED_RELATIONSHIP]-(m)    WHERE m IN nodes    RETURN r.summary AS descriptionText    LIMIT 3} as insideRels,collect {    UNWIND nodes as n    RETURN n.summary AS descriptionText} as entitiesRETURN {Chunks: text_mapping, Reports: report_mapping,        Relationships: insideRels,        Entities: entities} AS output  """

查询结果可能如下（为模拟数据）：

Weaviate 是一家根据加利福尼亚州和特拉华州法律注册的公司，主要办公地点位于旧金山，在“创新大道 123”与“科技巷 123”等地设有分支。业务范围包括咨询、软件开发、数据分析、云存储、技术支持和项目管理服务。同时积极参与 AI 解决方案及数据处理技术的开发合作，为合作项目提供资源与专业支持。...

GraphRAG局限性

与传统基于文本块的 RAG 不同，GraphRAG 提供了更丰富的实体与社区级描述。但它的摘要依赖静态的 LLM 生成，若新增数据则需重新索引，代价高昂。

相比之下，传统 RAG 新增数据时无需重新索引，更高效。此外，若某些实体关联过多节点，可能导致可扩展性问题。因此需要对高度连接的通用实体类型进行过滤，以避免结果失真。此外，「图谱构建和摘要过程虽然提高了细节质量，但维护实时性的难度也随之增加」。

总结

传统RAG技术是简单而有效的起点，尤其当数据结构良好、相对独立时表现出色。而 Graph RAG 进一步理解数据之间的关系和背景，在处理合同、科研文献、组织记录等信息关联密切的数据时具有更强表现。「结合这两种方法构建混合系统，可以兼顾语义相似度与结构洞察，为用户提供更准确、有深度的回答」。无论是初学者还是高级开发者，选择合适的策略首先要理解你手头的数据。