GraphRAG:让 RAG 看见"关系网络"的技术进化

 

GraphRAG:让 RAG 看见"关系网络"的技术进化

最近在折腾 RAG 相关的东西,发现一个挺有意思的现象——传统 RAG 在处理某些问题时简直就是"智商掉线"。

举个具体的例子。我拿《三体》第一部做了个测试(注:选第一部是因为它够短、人物关系也相对简单,方便验证想法,不想被后面那两部复杂的剧情搞晕):

问它"叶文洁是怎么联系上三体文明的?",传统 RAG 毫无压力,直接就给你翻到"红岸基地"、"发射信号"这些段落。

但换个问法:"ETO 组织到底是怎么搞起来的?里面的人都是什么关系?",它就抓瞎了。

为啥会这样?说白了,传统 RAG 就像个只会"关键词搜索"的愣头青,它能找到单独的段落,但把这些段落拼不起来。它看不到 A 段落里的叶文洁和 B 段落里的伊文斯其实是一伙的,更理解不了这帮人怎么就搞出了一个全球性的地下组织。

这就是所谓的"见木不见林"。



一、GraphRAG 怎么解决这事儿?

2024 年初,微软研究院扔出来一篇论文《From Local to Global: A Graph RAG Approach to Query-Focused Summarization》,提出了一个叫 GraphRAG 的方案。

核心思想其实挺直白:不用向量相似度去找"相似的片段",而是先把文档里的实体和关系都抽出来,建成一个知识图谱。然后呢,用 Leiden 算法在这个图谱上找"社区"——就是那些关系特别紧密的一群节点。最后,给每个社区生成一份摘要,让查询的时候能既看到细节又看到全局。

还是那句老话:传统 RAG 是在"翻书找词",GraphRAG 是在"织网捕鱼"。


二、传统 RAG 到底输在哪?

先看看传统 RAG 是怎么干活的,代码层面其实就那几步:

  1. 1. 文档切成小块,500-1000 字一个 chunk
  2. 2. 用 Embedding 模型把 chunk 变成向量
  3. 3. 向量存数据库
  4. 4. 查询时把问题也转成向量,找最相似的几个 chunk
  5. 5. 扔给 LLM 生成答案

这套流程有个致命伤:它根本不理解"关系"。

你问"叶文洁和汪淼有啥关系?",它大概率会给你两段独立的内容——一段讲叶文洁是谁,一段讲汪淼是谁。但实际上这俩人的关系是通过 ETO 事件串联起来的,这个信息可能分散在好几个不同的章节里,向量检索根本抓不住。

更别提那些跨越整个故事线的问题了,比如"ETO 是怎么从红岸基地的一个小项目变成全球组织的?"——这种问题需要你理解时间线、人物关系、事件因果,传统 RAG 完全搞不定。


三、GraphRAG 的三板斧

GraphRAG 的做法不太一样,它分三个阶段:

第一斧:把文本变成图谱

这个阶段不是简单切 chunk,而是让 LLM 把每个内容块都嚼碎了,提取出两样东西:

  • • 实体:人物、地点、组织、事件这些关键节点
  • • 关系:这些节点之间怎么连着的

比如原文是"叶文洁收到红岸基地的信号后,向三体世界发射了回复信号",提取完就变成了:

  • • (叶文洁) --[收到信号]--> (红岸基地)
  • • (叶文洁) --[发射信号]--> (三体世界)

整个文档跑一遍,你就得到一个完整的知识图谱。拿《三体》第一部来说,最后能出来几十个节点、上百条关系边。

第二斧:用算法找社区

图谱建好了,接下来就该 Leiden 算法登场了。它的作用是在这个关系网里自动发现"社区"——那些关系特别紧密的一群节点。

在《三体》第一部里,Leiden 算法可能会找到这么几个社区:

  • • 红岸基地那帮人(叶文洁、雷志成、杨卫宁)
  • • ETO 核心层(叶文洁、伊文斯、申玉菲)
  • • 被卷进来的科学家(汪淼、史强、丁仪)
  • • 三体游戏里的角色(汪淼、周文王、牛顿、墨子)

最关键的是,LLM 会给每个社区生成一份"摘要"。这玩意儿特别有用,相当于把整个关系网络压缩成了几个可理解的知识单元。比如红岸基地社区的摘要可能是"以叶文洁为核心,包括雷志成、杨卫宁等人,是发现外星文明信号的起点"。

第三斧:两种查询模式

有了社区摘要,GraphRAG 就能玩出两种查询方式:

局部模式:从问题里的实体出发,顺藤摸瓜。适合问"叶文洁和伊文斯怎么认识的?"这种具体的关系。

全局模式:把所有相关的社区摘要都捞出来,拼在一起看全局。适合问"ETO 的最终目标是什么?"这种宏观问题。

这个设计挺巧妙的——既保留了微观的细节追踪能力,又有了宏观的全局视角。


四、技术角度对比一下

维度
向量检索
图谱检索
数据结构
高维向量空间
节点+边的图结构
查询方式
— 以上为试看内容(约 40%),开通会员后阅读全文 —