让LLM和AI Agent更聪明：微软开源基于知识图谱的GraphRAG！

最近微软开源了一个叫 GraphRAG 的项目，在 GitHub 上迅速获得了超过 9200 颗星。这背后到底解决了什么问题？让我们从头说起。

，全名 Retrieval-Augmented Generation，是一种结合了信息检索和文本生成的 AI 技术。简单来说，RAG 把大语言模型（LLM）和外部知识库连在一起：先检索相关信息，再让模型基于这些信息生成答案，从而显著提升回答的相关性和准确性。

RAG 模型通常由两部分组成：

和。检索组件负责在海量数据中捞取与输入查询最匹配的信息——这些数据可以是文本、图片等，被分割并索引在向量数据库里。检索组件用向量搜索之类的算法快速定位相关内容。当用户提问时，RAG 会检索出语义最相关的文本片段，然后喂给生成组件（LLM），最终产出结合了检索结果和语言模型能力的答案。

RAG 的核心优势在于

和。通过引用外部知识，它能给出更精确可靠的回答，减少模型胡编乱造的概率。相比重新训练或微调大型语言模型，RAG 省时省力——上传文档就能更新或替换信息源。此外，它更容易获取反馈和排查问题，让开发者能用上特定领域的最新信息。最后，敏感数据可以留在本地，确保隐私，还能支持不同权限管理。

不过，传统 RAG 系统也有短板。比如面对大规模数据集时效率可能跟不上，回答全局性问题时往往不够全面。而且前期需要大量计算资源和数据索引工作，限制了灵活性和可扩展性。正是冲着这些挑战，微软推出了 GraphRAG，并通过知识图谱的方法来增强信息检索和生成，旨在提供更高效、更全面的数据理解能力。GraphRAG 的创新之处在于它能用知识图谱结构化地组织数据，系统性地总结数据集中的主题和关系，极大增强回答的全面性和多样性，同时降低检索成本、提升处理速度。

关于GraphRAG

是微软开发的先进检索增强生成工具，今年4月首次亮相，现在已在 GitHub 上公开可用（项目地址：https://github.com/microsoft/graphrag）。与传统的 RAG 不同，GraphRAG 引入了基于知识图谱的方法，让信息检索和响应生成变得更、更。它的核心能力是：。

GraphRAG 一个显著特点是：在用户提出查询之前，它就能报告数据的语义结构。它通过检测图中的“社区”——即密集连接的节点群组，并以分层方式对这些社区进行划分，从高层次主题到低层次话题构建起多级知识图谱。这一过程不仅揭示了数据的内在结构，还通过 LLM 对每个社区进行总结，为数据集提供了一个分层、无需预先指定问题的概览。每个社区的总结都详细描述了其中的实体及相互关系，为理解和分析数据提供了全面视角。

下面这张图片展示了一个由新闻数据集派生出的知识图谱，实体节点和关系边以图的形式呈现。不同颜色区分不同社区，代表数据集中的不同主题：

• Level 0 社区
  ：位于图的左侧，表示最高级别主题。这些社区由较大、颜色较少的节点簇组成，每个簇代表一个广泛主题。

• Level 1 社区
  ：位于图的右侧，展示了 Level 0 主题下更细粒度的话题。更多小节点簇，颜色更丰富，显示了更高层次主题内部的细分话题。

通过这种分层和颜色编码，GraphRAG 清晰地展示了数据集的语义结构，让观察者一眼识别出主要主题和它们之间的关系。这种可视化不仅有助于理解数据组织方式，也为进一步分析和探索提供了直观起点。

关于社区摘要（Community Summaries）

传统的基于向量搜索的 RAG 方法，对于“全局性”问题往往力不从心——它们只生成与问题语义相似的文本片段的答案，而不是从所有输入文本中提取答案。GraphRAG 的

则不同：它通过考虑所有输入文本构建的图索引，能更有效地回答这类问题。它采用映射-归约（map-reduce）方法：将社区报告分组到 LLM 上下文窗口大小，然后对每组映射问题以创建社区答案，最后将相关社区答案归约为最终全局答案。

为了评估 GraphRAG 与传统 RAG 和层次化源文本摘要方法的表现，研究者用 GPT-4 模型从两个数据集的简短描述中生成了一系列感知问题，并选了三个指标：全面性、多样性和赋能性（支持知情决策）。结果显示，无论在社区层次结构的哪个级别使用社区摘要，GraphRAG 在全面性和多样性方面都优于传统 RAG，胜率约 70-80%。在较低 token 成本下，GraphRAG 使用中间和低级别社区摘要的性能也优于源文本摘要，token 使用率约为 20-70%。对于最高层次社区，GraphRAG 性能与层次化源文本摘要相当，但 token 成本显著降低，仅为 2-3%。

研究人员还通过一个具体例子展示了差异：在回答关于娱乐文章中反复提及的公众人物的问题时，传统 RAG 的回答比较表面，只列出了一些人并简要描述原因；而 GraphRAG 的回答更全面深入，不仅列出了多个领域的公众人物，还分析了他们在行业中的影响力和公众兴趣。LLM 评估显示，GraphRAG 在全面性、多样性和授权能力上全面胜出。

结语

GraphRAG 是一种创新的基于知识图谱的检索增强生成工具，通过大语言模型自动从文本文档中提取知识图谱，进而支持对私有或未见过的数据集进行深入问答。它通过构建包含所有输入文本的图索引，有效回答那些需要从整个数据集中获取答案的全局问题。对于任何追求高质量问答的 AI 应用来说，这无疑是一个值得关注的方向。