检索增强生成（RAG）作为大模型应用开发的核心支撑技术，核心价值在于为大语言模型（LLM）接入外部知识库，通过引入真实、精准的外部信息，显著降低模型因“知识盲区”产生的幻觉问题，已成为当前大模型落地场景中不可或缺的技术方案。然而，主流的传统RAG技术在检索逻辑上存在局限，其依赖向量空间内的语义相似度匹配完成检索，难以捕捉数据集中各数据点之间隐藏的关联关系，在处理强关联型数据时效果受限。
为突破这一技术瓶颈，GraphRAG应运而生。它创新性地将知识图谱融入RAG架构，通过结构化的图模型刻画数据间的复杂关系，弥补了传统RAG的短板。本文将系统拆解传统RAG与GraphRAG的技术原理，深入对比两者的优劣势，并探讨如何通过技术融合构建更高效的检索增强体系。文章结构如下：
一、传统RAG技术：基于向量搜索的基础检索方案
检索增强生成（RAG）的核心逻辑可拆解为“检索（Retrieval）”与“生成（Generation）”两大环节，其中“检索”是决定生成质量的关键前提——只有精准获取与用户 query 相关的上下文信息，LLM 才能输出贴合需求的回答。在当前的技术实践中，“检索”环节最主流的实现方式是语义搜索（又称向量搜索），基于这一逻辑构建的基础版RAG系统，被业内称为“朴素RAG（Naive RAG）”。
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：https://github.com/neo4j-contrib/ms-graphrag-neo4j/tree/main/src/ms_graphrag_neo4j，它封装了所有提示语，避免代码过于复杂。虽然它只是一个概念验证（PoC），但足以演示GraphRAG核心机制。
实体、关系提取
使用与朴素RAG相同的模拟数据：https://huggingface.co/datasets/weaviate/agents/viewer/query-agent-financial-contracts，该数据包含 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 nodes
WITH 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 entities
RETURN {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。
那么，如何系统的去学习大模型LLM？
作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。
所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。
由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~
为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
👉大模型学习指南+路线汇总👈
我们这套大模型资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。
👉①.基础篇👈
基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程，带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门大模型。
👉②.进阶篇👈
接下来是进阶篇，你将掌握RAG、Agent、Langchain、大模型微调和私有化部署，学习如何构建外挂知识库并和自己的企业相结合，学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。
👉③.实战篇👈
实战篇会手把手带着大家练习企业级的落地项目（已脱敏），比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等，从而帮助大家更好的应对大模型时代的挑战。
👉④.福利篇👈
最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
相信我，这套大模型系统教程将会是全网最齐全 最易懂的小白专用课！！
7050
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
