Graph RAG
Graph RAG概述
Graph RAG是将知识图谱与RAG（检索增强生成）结合的技术。它利用知识图谱的结构化关系信息来增强检索和生成，相比传统的基于向量的RAG，能够更好地处理多跳推理和全局性问题。
传统RAG的局限
- 依赖文本片段的语义相似度
- 难以捕获实体间的复杂关系
- 对需要综合多处信息的问题效果差
- 缺乏全局视图
Graph RAG架构
知识图谱构建
- 从文档中抽取实体和关系
- 构建知识图谱
- 社区检测和层次化组织
查询处理
- 实体识别：从查询中识别关键实体
- 图检索：基于图结构检索相关信息
- 社区摘要：利用预计算的社区摘要
- 答案生成：基于检索结果生成回答
两种检索模式
Local Search（局部搜索）
- 从查询实体出发
- 沿图结构扩展检索
- 适合具体问题
Global Search（全局搜索）
- 利用社区级别的摘要
- 综合全局信息回答
- 适合总结性问题
核心技术
社区检测
将知识图谱划分为有意义的社区：
- Leiden算法等图社区检测方法
- 层次化社区结构
- 为每个社区生成摘要
实体消歧
处理同名实体和别名：
- 基于上下文的实体链接
- 跨文档的实体对齐
图检索算法
- 最短路径
- 邻居扩展
- 图神经网络
优势
- 关系感知：理解实体间的复杂关系
- 全局能力：能够回答需要全局视角的问题
- 可解释性：检索路径可追溯
- 减少幻觉：结构化知识增强事实性
工具与框架
- Microsoft GraphRAG：微软的Graph RAG开源实现
- LlamaIndex Knowledge Graph Index：LlamaIndex的图索引
- Neo4j + LLM：Neo4j图数据库与LLM集成
应用场景
- 企业知识库的深度问答
- 科研文献的关联分析
- 法律案例的关联推理
- 供应链风险分析
挑战
- 知识图谱的构建和维护成本
- 图更新与文档同步
- 查询理解的准确性
- 计算和存储开销
Graph RAG代表了RAG技术的进化方向，通过引入结构化知识显著提升了检索和生成的质量。