GraphRAG 怎么提升检索质量?

30 秒回答

1. RAG基本原理（检索+生成两阶段流程）
2. 传统RAG的局限性（语义碎片化、缺乏全局关联）
3. GraphRAG的核心改进（构建实体关系图、社区发现、分层摘要）
4. GraphRAG的检索优势（多跳推理、全局信息聚合）

回答与解析

答案要点

• RAG基本原理（检索+生成两阶段流程）
• 传统RAG的局限性（语义碎片化、缺乏全局关联）
• GraphRAG的核心改进（构建实体关系图、社区发现、分层摘要）
• GraphRAG的检索优势（多跳推理、全局信息聚合）
• 实际应用场景举例

RAG基本原理

RAG = 检索(Retrieval) + 生成(Generation)，解决大模型知识截止和幻觉问题：

1. 索引阶段：文档切分→Embedding→存入向量数据库
2. 检索阶段：用户查询向量化→相似度搜索→召回Top-K片段
3. 生成阶段：将检索结果作为上下文，LLM生成最终回答

传统RAG的痛点：文本切块导致语义碎片化，缺乏实体间的全局关联，难以回答需要多跳推理的复杂问题。

GraphRAG的核心改进

微软提出的GraphRAG，核心是用图结构替代纯向量检索：

1. 图构建阶段（离线）

• 实体抽取：用LLM从文档中提取实体（人、组织、事件等）和关系
• 图建模：构建 (实体)-[关系]-(实体) 的知识图谱
• 社区发现：用Leiden等算法检测图中的紧密社区
• 分层摘要：对每个社区生成多粒度摘要（从局部到全局）

2. 检索阶段（在线）

• 全局查询：先匹配相关社区摘要，快速定位大范围
• 局部展开：在目标社区内做多跳图遍历，获取关联实体
• 信息聚合：将图路径上的多源信息整合，形成完整上下文

GraphRAG的优势

典型场景：企业知识问答中"某部门近半年与哪些供应商有合作纠纷"——需要跨文档关联实体、时间、事件，GraphRAG通过图遍历比纯向量匹配更精准。

口语版讲法(约4分钟)

• 本质在问：如何让大模型拥有结构化知识推理能力
• RAG基础与瓶颈：切块导致的语义碎片化
• GraphRAG改进：从向量相似到关系推理
• 落地风险：图构建成本高，适用场景要选对
• 工程师取舍：RAG+GraphRAG混合，优先解决多跳推理

这道题其实在问一个很核心的问题：当大模型需要回答涉及多个实体、跨文档的复杂问题时，纯靠向量相似度检索为什么不够，以及怎么用图结构来补上这个短板。我先说RAG的基础。RAG就是检索加生成两阶段，离线把文档切块、做Embedding、存到Vector Database，在线拿用户查询去搜最相似的top-K片段，然后喂给LLM生成答案。这个流程能解决知识截止和幻觉问题，但有个硬伤：文本切块会把语义切碎。比如一份合同里提到“甲方”和“乙方”的权利义务，可能散落在不同段落，切块后两块各自独立，检索时很难把它们关联起来。而且传统RAG只做语义相似匹配，回答不了类似“某部门近半年和哪些供应商有合同纠纷”这种需要跨文档、跨实体、跨时间推理的问题。这就是它的边界，适合单点事实查询，不适合多跳推理。GraphRAG的核心改进，就是把检索从向量相似度升级成显式的图推理。具体来说，离线阶段先让LLM抽取出文档里的实体和关系，比如从合同里抽“供应商A”、“2024年Q3”、“纠纷事件”，然后构建成Knowledge Graph。再用社区发现算法，比如Leiden，把紧密关联的实体聚成社区，对每个社区生成多粒度摘要。在线检索时，先匹配社区摘要定位大范围，再在目标社区内做图遍历，把路径上的多源信息聚合起来。举个例子，客服场景里用户问“我上个月退货的订单，退款还没到账，怎么回事”，传统RAG可能只搜到退货政策片段，但GraphRAG能通过图遍历关联到用户ID、订单号、退款记录、物流状态，把整个链条串起来，生成更精准的回复。不过GraphRAG不是银弹。落地有个重要前提：你的文档必须实体密集、关系丰富。如果文档是松散的闲聊记录，或者实体很少，图构建的成本就白花了，效果甚至不如传统RAG。而且图构建依赖LLM做实体抽取和关系抽取，这一步有精度问题，抽错了会带偏下游。上线我会特别关注两点：一是实体抽取的准确率和召回率，二是社区划分的粒度，太粗会丢失细节，太细又增加检索延迟。所以我的判断是：GraphRAG和传统RAG不是替代关系，而是互补。日常简单查询走向量检索，又快又准；遇到复杂推理、跨文档聚合的场景，才启用图检索。实际落地我倾向先上传统RAG兜底，再对高频复杂查询做GraphRAG增强，这样成本和效果能平衡。

还有一个有意思的点是，GraphRAG的社区摘要其实可以离线预计算，这样在线只做摘要匹配，延迟可控，但摘要的粒度怎么选，是粗放一点覆盖全局，还是精细到每个子社区，这直接影响召回质量，我还在实验不同策略。

关键一句:GraphRAG社区摘要的粒度选择直接影响召回质量与延迟，需要实验调优

面试官还可能这样问

1. 问法 1 · 场景切入

   假设你做一个内部知识库问答系统，用户问‘A部门和B部门去年有哪些合作项目’，传统的向量检索可能把相关文档切得七零八落。你怎么设计才能把跨文档的实体关系串起来，给出一个完整的回答？

2. 问法 2 · 层层追问

   RAG的基本流程你肯定熟悉，就是把文档切块、向量检索、拼给大模型……但遇到需要多跳推理的问题，比如‘某产品的供应商和哪些客户有纠纷’，传统方法为什么效果差？……如果让你用图结构来改进，你会怎么做？

3. 问法 3 · 直球架构

   请直接解释GraphRAG的核心原理：相比传统RAG，它怎么构建图？检索时如何利用实体关系和社区结构？它的主要优势体现在哪些方面？