--- title: "GraphRAG — 图谱RAG" source: "https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG" wiki: "systems-analysis.info/int" article: "GraphRAG_—_图谱RAG" language: "zh" categories: - "Category:Chinese" - "Category:Large language models" - "Category:Prompt engineering" revision_id: 2747 wiki_created_at: 2026-09-06T23:10:25Z wiki_modified_at: 2026-09-06T23:10:25Z downloaded_at: 2026-09-07T22:53:05Z --- # 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*)^{[\[1\]](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_note-zhang2025-1)}。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^{[\[2\]](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_note-linkedin2024-2)}。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^{[\[3\]](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_note-hu2024-3)}。 ## 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^{[\[1\]](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_note-zhang2025-1)}。 - **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^{[\[4\]](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_note-webgpt-4)}。 **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）^{[\[5\]](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_note-yang2025-5)}。 - **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^{[\[3\]](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_note-hu2024-3)}。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^{[\[6\]](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_note-song2023-6)}。 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^{[\[7\]](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_note-nogueira2019-7)}。 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 | 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^{[\[6\]](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_note-song2023-6)}。 | 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)^{[\[8\]](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_note-hsu2025-8)}。 | 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^{[\[7\]](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_note-nogueira2019-7)}。 | 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）。 | GraphRAG 架构关键组件的对比分析 ## 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*）^{[\[9\]](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_note-ragas2024-9)}。 ## 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. ## 注释 1. ↑ ^{[1.0](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_ref-zhang2025_1-0)} ^{[1.1](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_ref-zhang2025_1-1)} Zhang, Q., et al. *A Survey of Graph Retrieval-Augmented Generation for Customized Large Language Models*. arXiv, 2025. arXiv:2501.13958. 2. [↑](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_ref-linkedin2024_2-0) Xu, Z., et al. *Retrieval-Augmented Generation with Knowledge Graphs for Customer Service Question Answering*. SIGIR, 2024. arXiv:2404.17723; DOI: 10.1145/3626772.3661370. 3. ↑ ^{[3.0](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_ref-hu2024_3-0)} ^{[3.1](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_ref-hu2024_3-1)} Hu, Y., et al. *GRAG: Graph Retrieval‑Augmented Generation*. arXiv, 2024. arXiv:2405.16506; 亦见于 Findings of NAACL 2025: ACL Anthology. 4. [↑](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_ref-webgpt_4-0) Nakano, R., et al. *WebGPT: Browser‑assisted question‑answering with human feedback*. arXiv, 2021. arXiv:2112.09332. 5. [↑](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_ref-yang2025_5-0) Yang, R., et al. *KG‑IRAG: A Knowledge Graph‑Based Iterative Retrieval‑Augmented Generation Framework for Temporal Reasoning*. arXiv, 2025. arXiv:2503.14234. 6. ↑ ^{[6.0](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_ref-song2023_6-0)} ^{[6.1](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_ref-song2023_6-1)} Song, Y., Li, W., Dai, G., Shang, X. *Advancements in Complex Knowledge Graph Question Answering: A Survey*. *Electronics*, 2023. DOI: 10.3390/electronics12214395. 7. ↑ ^{[7.0](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_ref-nogueira2019_7-0)} ^{[7.1](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_ref-nogueira2019_7-1)} Nogueira, R., Cho, K. *Passage Re‑ranking with BERT*. arXiv, 2019. arXiv:1901.04085. 8. [↑](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_ref-hsu2025_8-0) Hsu, H.‑L.; Tzeng, J. *DAT: Dynamic Alpha Tuning for Hybrid Retrieval in Retrieval‑Augmented Generation*. arXiv, 2025. arXiv:2503.23013. 9. [↑](https://systems-analysis.info/int/GraphRAG_%E2%80%94_%E5%9B%BE%E8%B0%B1RAG#cite_ref-ragas2024_9-0) Es, S.; James, J.; Espinosa Anke, L.; Schockaert, S. *RAGAs: Automated Evaluation of Retrieval Augmented Generation*. EACL (System Demonstrations), 2024. ACL:2024.eacl-demo.16; 亦见预印本: arXiv:2309.15217.