GraphRAG原理详解

关注

VIP免费原创最新推荐文章于 2026-06-22 00:45:56 发布 4.3k 阅读 AI 写同款· GEO 优化 ›

GraphRAG：一种新型的RAG技术微软前几天发布的 GraphRAG 架构非常厉害，但是具体的原理和内容可能不太好理解。Neo4j 的 CTO 写了一篇详细的文章《GraphRAG 宣言：为 GenAI 增加知识》，通俗易懂的介绍了 GraphRAG 的原理、与传统 RAG 的区别、GraphRAG的优势、知识图谱的创建和利用知识图谱工作。阅读详情

From Local to Global: A Graph RAG Approach to Query-Focused Summarization

摘要：通过检索增强生成（RAG），大型语言模型（LLM）能够从外部知识源检索信息，从而回答涉及私有或未见文档的问题。然而，RAG 在处理全局问题（如“数据集的主要主题是什么？”）时表现不佳，因为这类问题本质上是查询聚焦的摘要任务，而非直接检索。现有的 QFS 方法也难以处理大规模文本。为此，我们提出图 RAG 方法，该方法结合了两种方法的优势，能够随着问题普遍性和文本量的增加而扩展。图 RAG 通过 LLM 构建图索引，先从文档中提取实体图，再预生成相关实体的摘要。在回答问题时，每个摘要生成部分答案，最终汇总为完整回答。实验表明，图 RAG 在处理大规模数据集的全局问题时，能显著提升答案的全面性和多样性。全球和本地图 RAG 的开源 Python 实现即将发布。

https://arxiv.org//pdf/2404.16130

最近微软终于开源了他的GraphRAG，短短7天就集齐了6.7K Star。那GraphRAG到底是个啥？？？

GraphRAG的论文实际上要比代码开源早很多，论文应是今年4月份在Arxiv上发表的，但是代码是2024年7月1号才正式上传开源。

项目开源地址：https://github.com/microsoft/graphrag

项目帮助文档：https://microsoft.github.io/graphrag/posts/get\_started/

1 为什么要提出GraphRAG？

RAG，又称检索增强生成（Retrieval Augumented Generation）。RAG目前已经成为大语言模型应用的核心组件之一，利用检索到的内容，无论是相似度检索，还是传统搜索、搜索引擎来增强大语言模型的外部知识。凭借这一能力，RAG在帮助LLM处理私有化数据集上发挥了巨大的潜力、取得了不俗的表现，这些私有化数据集对于LLM来说是全新的，比如企业内部文档、商业文件、用户对话记录等。即使如此，传统RAG仍然存在很多问题，比如：