知识图谱 RAG 是什么？微软 GraphRAG 工作原理深度解析

想象这样一个场景：你向 AI 提问：「咖啡是谁在什么年代发明的？它如何影响了中国近代史上的贸易格局？」

传统的向量检索 RAG（Baseline RAG）会做一件很直接的事：把问题变成向量，在文档库里找语义最相似的文本块。它可能找到「咖啡传入中国的历史」和「近代贸易战」这两段内容，但问题是——它不知道这两段之间有什么关联，更无法理解「咖啡」和「贸易格局」之间存在一条跨越数百年、涉及经济作物种植、殖民贸易航线和清朝对外贸易政策的关系链。

这就是知识图谱 RAG（Knowledge Graph RAG）要解决的问题。 图1：知识图谱 RAG 概览

一、背景：从关键词匹配到知识网络

要理解知识图谱 RAG 的价值，首先要理解它解决的根本问题。

传统 RAG 的局限在于语义相似性检索本质上是「找长得像的内容」，而不是「找相关的内容」。当查询涉及多跳推理（multi-hop reasoning）——比如「A 导致 B，B 影响 C，C 又反过来作用于 A」这种循环关系——向量检索会感到力不从心。它只能捕捉字面语义的相近，却无法建模实体之间的拓扑结构。

知识图谱（Knowledge Graph）是一种用图结构来表达和组织知识的方法。每个节点代表一个实体（人、地点、概念、事件），每条边代表实体之间的关系。例如，「咖啡」作为一个节点，会连接到「种植」「贸易」「文化」「健康」等多个关系节点，而这些关系节点又各自连接着更深层的知识。整个图谱就像大脑皮层中神经元的连接方式——不是孤立的知识点，而是彼此关联的语义网络。

知识图谱本身并非新概念。2012 年 Google 就推出了 Knowledge Graph，用以增强搜索引擎的语义理解能力。但长期以来，构建知识图谱是一个极度耗费人力的工作：要么依赖领域专家手工标注，要么从结构化数据库中迁移数据。这种高昂的成本使得知识图谱难以大规模应用。

大语言模型（LLM）的出现彻底改变了这一局面。LLM 在自然语言处理、推理和关系抽取方面的能力，使得从非结构化文本中自动构建知识图谱成为可能。LLM 可以识别文本中的实体、推断实体间的关系，并将这些信息结构化为图谱。这一能力解锁了知识图谱的动态性——它可以随着新文本的输入不断扩展和更新，真正成为一个「活着的」知识库。

二、GraphRAG 核心原理：微软的四阶段管道

微软研究院推出的 GraphRAG，是将知识图谱能力引入 RAG 系统的开创性实践。它通过一个清晰的四阶段管道，将非结构化文本转化为可推理的知识网络。

2.1 阶段一：知识图谱构建（Graph Building）

GraphRAG 的第一步是对源文档进行实体和关系抽取。LLM 遍历文档，识别其中的关键实体（人名、地名、组织、事件、概念等）以及它们之间的关系。例如，从一段关于咖啡贸易的历史文本中，LLM 可能抽取出「葡萄牙商人」「澳门」「转口贸易」「16世纪」等实体节点，并标注它们之间的「殖民扩张」「经济往来」「文化交流」等关系类型。

这个过程将原本散落在文本各处的知识点，凝聚成了一张结构化的语义网络。

2.2 阶段二：社区层次构建（Community Detection）

构建好知识图谱后，GraphRAG 使用社区检测算法（如 Leiden 或 Louvain 算法）将图谱划分为多个层次化的社区。每个社区是一个密集相连的实体集合，代表一个相对独立的知识领域。社区之间则通过跨社区的边连接，反映不同知识领域之间的交叉关联。

这种层次结构有什么用？它让 GraphRAG 能够从「全局」和「局部」两个维度回答问题。

2.3 阶段三：社区摘要生成（Community Summarization）

GraphRAG 为每个社区生成摘要，描述该社区涵盖的核心主题和关键实体。这些摘要作为图谱的「缩影」，可以在查询时快速判断哪些社区与问题相关，避免大海捞针式地遍历整个图谱。

2.4 阶段四：查询与推理（Query & Inference）

到了查询阶段，GraphRAG 展现出它的真正威力。它不是简单地找语义相似段落，而是：

1. 本地搜索（Local Search）：根据问题中的实体，在图谱中找到直接关联的子图，精确回答「谁」「什么」「什么时候」类问题。
2. 全局搜索（Global Search）：利用社区摘要回答「怎么样」「为什么」「分析一下……的影响」这类需要全局视野的问题。系统遍历相关社区的摘要，汇总形成答案。
3. 漂流搜索（Drift Search）：当问题涉及多跳推理时，系统会沿着图谱中的关系边「漂流」扩展，逐步扩大搜索半径，直到找到足够的信息支撑答案生成。这种能力是传统向量检索完全无法企及的。 图2：漂流搜索（Drift Search）示意图——系统沿着关系路径逐步扩展搜索范围

图3：全局搜索（Global Search）工作流——通过社区摘要汇聚全局知识

三、项目核心内容

GraphRAG-Breakdown 项目由开发者 ALucek 创建，其核心价值在于对微软 GraphRAG 的内部工作原理进行了系统性的可视化拆解。与官方文档不同，这个项目更侧重于帮助读者从原理层面理解 GraphRAG 的运作机制。

项目包含以下核心内容：

• 详细的图解说明：使用 15 张高质量图表，逐阶段展示 GraphRAG 从文本输入到答案输出的完整数据流，涵盖知识图谱构建、社区检测、查询路由等关键环节。
• Jupyter Notebook 实战代码：graph_examples.ipynb 提供了端到端的示例代码，读者可以输入自己的文档，亲手体验知识图谱构建和查询的全过程。
• 与 Baseline RAG 的对比分析：项目明确指出了知识图谱 RAG 相比传统向量检索的优势和适用场景，帮助读者在实际项目中做出正确的技术选型。
• PDF 可视化文档：ghraphrag_viz.pdf 是一份综合性的图解文档，适合离线阅读和团队内部传阅。

四、技术架构

从技术实现角度，GraphRAG 的架构可以拆解为以下几个核心模块：

实体抽取管道：利用 LLM 的 NLP 能力，从非结构化文本中自动识别实体和关系。关键挑战在于如何设计 prompt 来保证抽取的一致性（同一个实体在不同文档中出现时能被正确归一化）。

图数据库存储层：抽取出的实体和关系需要存储在图数据库中（如 Neo4j）。图数据库的邻接表结构天然适合这种多跳查询场景，查询效率远高于传统关系型数据库。

社区检测算法：Leiden/Louvain 等图聚类算法在计算实体间的「模块度」（modularity）基础上，将图谱划分为若干社区。这一步是实现全局搜索的关键——通过社区摘要，系统可以在不知道精确答案位置的情况下，「猜」到相关知识分布在哪些社区。

检索引擎：根据查询类型（本地/全局/漂流），路由到不同的检索策略，遍历相关子图或社区，将结果作为上下文注入 LLM prompt，生成最终答案。

LLM 生成层：结构化的图谱上下文（节点、边、关系描述、社区摘要）与用户问题一起输入 LLM，生成自然语言答案。由于上下文本身已经过结构化组织，LLM 的推理负担大幅降低，答案的准确性和可解释性也更高。

五、上手指南

对于普通 AI 爱好者，这个项目是一扇理解 GraphRAG 原理的窗口。你可以直接在浏览器中打开 graph_examples.ipynb，按照注释运行代码，观察知识图谱是如何一步步从文本中「生长」出来的。图表目录中的每一张图都配有文字说明，建议从 graphrag_data_flow.png 开始，把握整体数据流，再深入到各阶段细节。

对于 AI 开发者，如果你正在为自己的私有知识库选择 RAG 方案，这个项目提供了宝贵的选型参考。GraphRAG 的优势在于处理复杂查询、多跳推理和需要全局视野的问题；它的劣势在于图谱构建的计算成本较高，且需要额外的图数据库基础设施。建议先用项目中的示例代码在自己的小数据集上验证效果，再决定是否投入生产环境。

六、局限与争议

GraphRAG 并非银弹，它的局限性值得坦诚面对。

计算成本高：知识图谱的构建涉及 LLM 的多次调用（实体抽取、关系分类、社区摘要生成），对一个大型文档库来说，这些步骤的时间和金钱成本可能远超 Baseline RAG。如果你的数据量不大，或者查询问题简单到向量检索就能搞定，GraphRAG 的额外成本可能不值得。

图谱质量依赖 LLM 抽取能力：LLM 抽取的实体和关系可能存在噪声（漏抽、错抽、歧义），这些错误会在图谱中传播积累，影响后续查询的准确性。如何设计 prompt 和建立质量校验机制，是一个工程上的持续挑战。

查询延迟增加：图谱遍历和社区检索比直接向量相似度搜索要慢。对于延迟敏感的在线问答场景，这可能是一个瓶颈。

七、行业意义与未来

GraphRAG 代表了一个重要的技术趋势：从「找相似内容」到「建模知识结构」的范式转变。随着开源知识图谱工具（如 LangChain + Neo4j 集成、LlamaIndex 的 Graph RAG 支持）的成熟，越来越多的团队开始在自己的 RAG 管道中引入图结构。

这个项目的价值在于降低了理解 GraphRAG 的门槛。通过可视化的图解和可运行的代码，它让抽象的四阶段管道变成了可触摸的实战体验。在 RAG 技术迅速演进的今天，理解知识图谱与向量检索的融合路径，将帮助开发者和研究者更好地把握下一代 AI 知识管理工具的发展方向。

如果你对知识图谱在 AI 中的应用感兴趣，或者正在评估 GraphRAG 是否适合你的项目，这个仓库值得花一个下午仔细研读。