首篇GraphRAG综述出炉！

从技术演进的脉络来看，检索增强生成（RAG）的出现，原本是为了给大语言模型装上“外设知识库”——让它们在面对幻觉、知识过时或特定领域盲区时，能先翻翻资料再回答。这个思路很快被验证有效，也催生了大量应用。但很快人们就发现，传统RAG在检索环节往往“只见树木不见森林”：它擅长找点，却不擅长找关系。当问题涉及到实体之间错综复杂的关联时，单纯的向量或关键词检索就显得力不从心了。于是，GraphRAG应运而生——它把图结构的信息检索能力嵌入到RAG流程中，让检索不仅能“找到”，还能“理解”关系。

GraphRAG的全称是图检索增强生成。它的核心思路并不难懂：不是把所有相关信息都塞进同一个袋子里，而是先在数据库里构建一个实体关系的“知识图谱”，然后在回答问题时，顺着图谱里的边和节点一步步找到真正相关的子图，最后再让语言模型基于这些结构化信息生成答案。整个过程可以拆解为三个关键阶段：基于图的索引、图引导的检索、以及图增强的生成。下面我们就逐一拆解。

Graph-Based Indexing

一切GraphRAG的基础，是先把无序的原始数据变成带有丰富关联的图结构。你可以把这个阶段想象成给一个巨大的图书馆编制一套“关系型目录”——不只是告诉你书在哪个书架，还标明这本书与哪些书、哪些作者、哪些主题有引用或关联。只有这样，后续的检索才能顺着关系走。

图数据源通常分为两类：公共开放图谱（如维基百科、百度百科等）和私有领域图谱（针对医学、法律等垂直场景自建）。两者在构建成本、覆盖范围和实时性上有明显差异，实际应用时往往需要混合使用。

有了图数据之后，索引的构建方式直接决定了检索效率。目前主要有三种思路：

保留图的全结构，方便随时查找节点和邻接关系；将图数据转换成自然语言描述，再用传统文本检索工具搜索；把图结构转化为向量表示，便于用近似最近邻等算法快速命中。没有哪种方案是绝对最优的，真实系统中经常组合使用——就像图书馆里既有纸质目录也有电子检索终端，互相补充。

Graph-Guided Retrieval

索引搭建好之后，关键就成了“怎么问、怎么找”。检索器（retriever）的选择直接决定了检索质量。从方法上区分，有

（基于规则或启发式算法，无需额外训练）、（比如常见的向量检索）和（能理解图结构中的高阶关系，适合复杂场景）。

搜索策略也各有千秋：

试图一次抓取全部相关信息，效率高但可能遗漏；像侦探破案，每找到一条线索就顺着它继续往下找，直至信息充足；则用多个检索器分步过滤，先粗筛再精挑，适合任务对精度要求极高的场景。

检索的粒度也值得关注——你可以选择只检索单个节点、节点对（三元组）、一条路径，甚至整个子图。这会直接影响到后续生成阶段的信息量。此外，一些优化技巧（比如对问题做语义扩展、对检索结果做合并或剪枝）也经常被用来提升最终的召回精度。

Graph-Enhanced Generation

进入生成阶段，核心问题是如何把找到的图结构信息“喂”给语言模型。语言模型只能理解自然语言序列，而图数据是结构化的，所以必须做一次转换。目前主流的方案有两种：

（把图转成自然语言描述、代码形式、节点序列或树状结构）和（将图结构压缩成向量，再与文本向量融合，但挑战在于对齐两种模态的语义空间）。

至于训练方式，GraphRAG继承并扩展了传统RAG的三种模式：一是直接使用现成模型（预训练语言模型或规则），简单但可能不匹配具体任务；二是用有监督信号独立训练检索器或生成器，让它们适应特定领域；三是联合训练，让检索器和生成器协同优化，效果往往最好但也最难实施。

从整体趋势来看，GraphRAG还处在快速演进的早期阶段。它把图的结构性优势与语言模型的生成能力结合起来，已经在事实验证、问答系统、推荐解释等场景中展现出超越传统RAG的潜力。当然，挑战也显而易见：图数据构建成本高、检索路径的复杂性可能导致延迟、以及不同任务对检索粒度和策略的需求差异极大。这些也正是未来研究需要重点突破的方向。