GraphRAG原理深入剖析--图谱检索

在上一篇文章中，我们深入剖析了GraphRAG原理中的知识图谱构建过程。今天这篇，咱们重点聊聊图谱检索这部分——也就是当知识图谱建好之后，如何把用户的问题精准映射到图上，再把答案捞回来。

GraphRAG 提供了两种检索方式：

和 。这两种方式各有各的脾气，适用场景也完全不同。下面我们逐个拆解。

Local Search（局部检索）

Local search 是一种从微观视角出发的检索策略，通俗点说，它更适合回答那些“问具体实体”的问题——比如“急性肠胃炎要怎么治疗”。这类问题需要紧盯着某个实体及其周边关系来提取信息，而不是放眼全局。它的核心流程大致如下：

首先，用户提交查询后，系统会把查询转换成适合在知识图谱或向量数据库中搜索的形式，比如关键词或者向量。接着，利用向量搜索或关键词搜索，在知识图谱中初步找出与查询概念相近的一组初始节点或文档集。这就像是先划了个“嫌疑范围”。

然后，基于这些初步结果，在图数据库里做图遍历，把跟初始节点有关联的其他节点信息也一并捞出来——这一步充分利用了知识图谱中的关联性，让上下文更丰满。之后，采用基于图的排序算法（比如 PageRank）对这些节点进行排序，确保最相关的内容排在前面。最后，把排序后的节点或文档作为上下文信息送入生成式 AI 模型，生成最终回答。

Local Search 特点

：因为只在局部范围搜索，计算量相对小，速度比较快。尤其面对大规模图数据时，能在较短时间内给出一个不错的局部结果。

：但它找到的是局部最优解，不一定是全局最优。毕竟只看了眼前这一亩三分地，没做全图扫描。

：搜索结果高度依赖初始节点的选择。换一个起点，可能就换了一个结果，运气成分不小。

Global Search（全局检索）

如果说 local search 是“显微镜”，那 global search 就是“卫星地图”。它是 GraphRAG 的核心优势所在，专门用来解决传统 RAG 技术在处理需要跨数据集汇总信息时的痛点。比如“这篇文章主要讲了什么”——这种摘要总结类问题，传统 RAG 把文档切块再检索，总会丢三落四，很难给出全面答案。Global search 侧重全文理解，能站在高处把散落的信息串起来。

它的核心流程可以分成两步：

和。

：系统根据用户输入的问题和历史对话，在指定的层次（community_level）上，把所有社区报告总结拿出来，分成多个批次，让大模型并发地给每个批次生成带评分的中间响应。这个评分用来衡量观点的重要性——注意，这里没有用向量 embedding 做匹配，而是纯靠大模型本身的理解能力来打分。

：对上一步产生的中间响应结果进行排序，挑出得分最高的那些观点（按打分排序），汇总起来作为参考上下文，最后交给大模型生成最终回答。

Global Search 特点

：能找出全局最优解，解的质量有保障。对于那些精确度要求高的问题，global search 是靠谱的选择。

：代价也很明显——需要遍历整个图，计算量通常很大，搜索时间也长。碰上超大规模的图，可能会慢到让人想砸键盘。

：它不受初始解的影响，因为对整个图做了全面探索，找到最优解的概率更高。

说到底，local search 和 global search 各有各的绝活。Local search 快、对起点敏感，适合大规模图谱上快速找局部答案，对精度要求不那么苛刻的场景很顺手。而 global search 追求最优解，但需要更多算力，更适合小规模图或高精度要求的任务。实际项目中选哪一种，得看业务场景的具体特征——数据量多大、查询类型偏实体还是偏总结、对响应速度有多敏感。把这些想清楚了，才能把 GraphRAG 的潜力真正榨出来。