Awesome-GraphRAG
DEEP-PolyU/Awesome-GraphRAG加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一下：你在一家大型律师事务所工作，需要快速回答「过去三年内，涉及某类合同纠纷的案件数量趋势如何，相关判例的关联关系是什么」这样的复杂问题。传统 RAG 只能从海量文档中捞出几段相似文本，然后在单次对话中拼凑答案。但面对多跳推理、多文档交叉引用这种复杂任务，它往往力不从心——这正是 GraphRAG 诞生的背景。
香港理工大学 DEEP 实验室（Data Science and AI Lab）于 2025 年 1 月发布的 Awesome-GraphRAG 项目，正是这一领域的系统化知识梳理工程。该项目以一篇配套综述论文 [arXiv:2501.13958] 为骨架，将 GraphRAG 相关研究分为三大维度（知识组织、知识检索、知识整合），收录了 200+ 篇顶会/预印本论文、10+ 个 benchmark 数据集、以及 20+ 个开源项目，成为该领域目前最全面的开放知识库之一。截至 2026 年 6 月，项目已累计获得 2446 颗 GitHub Stars，在 GraphRAG 细分领域名列前茅。
图1：传统 RAG 与 GraphRAG 工作流对比概览。GraphRAG 通过引入知识图谱层，将离散的文本块（chunks）升级为具有语义关联的图结构节点，从而解锁了多跳推理和全局理解能力。
传统 RAG（Retrieval-Augmented Generation）的核心流程是：将语料库切分为固定大小的文本块（chunks），通过向量相似度检索最相关的 Top-K 块，最后将检索结果注入 LLM 的上下文窗口生成答案。这套方法在单跳问答（如「XX 公司的 CEO 是谁？」）上表现稳定，但在以下场景中暴露明显缺陷：
多跳推理失效：当问题需要跨多个信息源进行关联推理时（如「A 公司和 B 公司的供应商关系是什么？」），向量检索只能返回孤立的相关文本片段，无法表达实体之间的关系路径。
全局理解缺失：向量检索擅长回答「关于 X 有什么信息」，但无法回答「X 在整个语料库中的全局主题分布和关联网络是什么」。微软 GraphRAG 论文将此称为「.full」查询（全局理解型），正是传统 RAG 的阿喀琉斯之踵。
幻觉放大效应：当检索结果本身存在噪声或上下文不连贯时，LLM 更容易在生成阶段产生幻觉（hallucination），因为它缺乏对知识结构的显式约束。
Awesome-GraphRAG 综述将现有 GraphRAG 工作归纳为三条核心技术路径：
路径一：知识索引（Knowledge Indexing） —— 从语料库中主动构建知识图谱。这是目前最主流的方案：利用 NER（命名实体识别）和 RE（关系抽取）模型，将非结构化文本转化为「实体-关系-实体」的三元组图谱。例如 ICLR 2026 的 LinearRAG 提出了无需预训练图结构的高效图构建方法，在十亿级语料上实现了可扩展的 GraphRAG 索引。KAG（蚂蚁集团，arXiv 2024）则在金融领域通过知识增强生成大幅提升了专业推理能力。
路径二：知识检索（Knowledge Retrieval） —— 在图结构上进行语义或逻辑推理检索。这条路径的核心挑战是：如何在图上进行相关性排序？现有方案包括基于语义相似度的向量图检索（G-Retriever, arXiv 2024）、基于逻辑推理的路径遍历（Think-on-Graph, ICLR 2024）、基于 LLM 作为检索器的方案（LightRAG, arXiv 2024）、以及基于 GNN（图神经网络）的图感知编码器。Multi-hop RAG（COLING 2024）和 CWQ（NAACL 2018）等 benchmark 为这些方案提供了统一的评测基准。
路径三：知识整合（Knowledge Integration） —— 将图谱知识融入 LLM 的推理过程。这包括两大流派：Fine-tuning 路线（通过节点级/路径级/子图级知识微调 LLM，如 GraphGPT SIGIR 2024）和 In-context Learning 路线（通过 Chain-of-Thought 提示和知识图谱协同来引导推理，如 GraphReader EMNLP 2024）。KDD 2024 的 GraphWiz 通过指令微调让 LLM 学会了在图结构上进行导航和推理。
图2：知识图谱构建与检索流程。从原始语料到实体关系抽取，再到图结构索引，最终通过图感知检索返回结构化子图作为 LLM 的上下文输入。
Awesome-GraphRAG 将论文按知识处理阶段分为三大类和若干子类：
知识组织（Knowledge Organization），约 150 篇，涵盖 Graph for Knowledge Indexing（LinearRAG、HippoRAG2、KAG 等）、Graphs as Knowledge Carrier（GRAG、OG-RAG、DynaGRAG 等）、以及 Hybrid GraphRAG 混合方案。
知识检索（Knowledge Retrieval），约 50 篇，涵盖语义相似度检索、逻辑推理检索、LLM 作为检索器、GNN 增强检索、多轮检索、后检索优化、混合检索等多个子类。
知识整合（Knowledge Integration），约 100 篇，涵盖 Fine-tuning（节点/路径/子图级知识）和 In-context Learning（Graph-enhanced CoT、协作知识图谱优化）两大方向。
| 数据集 | 任务类型 | 来源 |
|---|---|---|
| GraphRAG-Bench | GraphRAG 综合评测 | ICLR 2026 |
| DIGIMON | 大规模 GraphRAG | arXiv 2025 |
| MultiHop-RAG | 多跳推理 | COLING 2024 |
| CWQ | 组合问答 | NAACL 2018 |
| MetaQA | 多跳电影问答 | AAAI 2018 |
| CURD | 大规模复杂问答 | arXiv 2024 |
| KQAPro | 大规模复杂问答 | ACL 2022 |
| TutorQA | 领域特定问答 | arXiv 2024 |
| FACTKG | 事实问答 | ACL 2023 |
收录的代表性开源项目包括：Microsoft GraphRAG（工业级模块化系统）、LightRAG（HKUDS 轻量快速框架）、Fast GraphRAG（circlemind-ai 自适应方案）、Nano-GraphRAG（极简可定制实现）、ApeRAG（ApeCloud，支持 K8s 生产部署）、Graphiti（面向 AI Agent 的实时知识图谱）、以及 Semantica（生产级语义层框架）。
Awesome-GraphRAG 不只是静态的知识整理——作者团队本身也是活跃的 GraphRAG 研究者。README 中记录了团队多项工作的发表动态：
这些最新成果直接反映了 GraphRAG 领域的当前热点：记忆机制、推理可靠性评测、以及高效化成为 2025-2026 年的核心研究主题。
图3：GraphRAG 领域研究趋势图。从 2020 年的早期探索到 2026 年的工业落地，GraphRAG 经历了从方法论验证到系统优化的演进。
这是一个纯 Markdown 文档库，没有任何可执行代码。用户只需要：
git clone https://github.com/DEEP-PolyU/Awesome-GraphRAG
cd Awesome-GraphRAG
# 直接打开 README.md 阅读
由于无 Web UI、无 Docker、无容器化支持，快速部署指标为 unsupported。这并不意味着项目没有价值——作为一份系统化综述，它的主要价值在于帮助研究者和工程师快速定位方向、找到合适的开源工具和 benchmark 数据集。
纯文档项目，硬件需求为零。唯一的「依赖」是 Markdown 阅读器（任意文本编辑器或 GitHub 网页均可）。
覆盖全面：200+ 论文、10+ benchmark、10+ 开源项目的系统梳理，是目前 GraphRAG 领域最完整的知识地图。论文按时间线（2020-2026）和研究维度双重分类，便于横向对比和纵向追踪。
持续活跃更新：作者团队每月更新，News 章节记录了团队最新发表的工作和重要 release，信息新鲜度高。自 2025 年 1 月发布以来，已有多次重大更新。
自带 Benchmark：团队还发布了 GraphRAG-Bench（ICLR 2026），为该领域的评测规范化做出重要贡献。
MIT 许可：完全开源，可自由引用和使用。
不提供可运行代码： Awesome-GraphRAG 本质上是一份「路线图」，不包含任何可执行的模型或工具代码。想动手实验的开发者需要跳转到对应的开源仓库。
无工业级部署方案：不提供 Docker/容器化配置，不适合直接作为生产系统使用。项目价值在于指引方向，而非直接交付产品。
中文资料有限：当前 README 以英文为主，对中文社区的开发者有一定语言门槛。
GraphRAG 正在成为 LLM 应用落地的关键技术方向。随着 LLM 在企业场景的深入，简单的事实问答已无法满足需求——复杂推理、跨文档关联、可解释性成为刚需。知识图谱天然具备表达实体关系的能力，与 LLM 的语言理解能力结合后，能够在医疗、法律、金融、代码分析等专业领域释放巨大价值。
Awesome-GraphRAG 的行业意义在于：它降低了这一新兴领域的知识获取门槛，让研究者可以快速了解全貌、找到切入点；让工程师可以快速定位合适的开源工具，避免重复造轮子；让 benchmark 的规范化成为可能，推动领域评测的标准化。
从趋势来看，GraphRAG 正从「学术探索」向「工业落地」加速转型。Fast GraphRAG、ApeRAG、Microsoft GraphRAG 等项目的成熟，以及 GraphRAG-Bench 的发布，都标志着这一技术栈正在走出实验室。
图4：GraphRAG 领域知识分类组织图。Awesome-GraphRAG 将整个领域组织为知识组织→知识检索→知识整合的三层递进结构，形成了完整的 GraphRAG 研究地图。
总结： Awesome-GraphRAG 是 GraphRAG 领域不可替代的百科全书式资源库，适合作为 AI 研究者和开发者进入该领域的「第一站」。虽然它不提供可运行代码，但凭借 200+ 篇论文的系统梳理、10+ benchmark 的评测覆盖和 20+ 开源项目的生态收录，它在帮助理解领域全貌、快速定位研究方向方面具有极高的实用价值。如果你在研究 RAG 的多跳推理瓶颈，或寻找 GraphRAG 开源工具的选型参考，这个项目值得收藏。