GraphRAG 轻量实现：知识图谱让 AI 真正读懂文档

当 AI 只"记住"片段，而不懂关系

你有没有遇到过这种情况：喂给 LLM 一份长文档，问它"这篇文章讲了什么"，它能复述几个关键句，却答不出"这件事和那件事之间是什么关系"？

这正是传统 RAG（检索增强生成）的短板——它擅长找"相关片段"，但不懂片段之间的语义关联。当问题需要全局理解时，比如"这个项目有哪些核心风险点"，传统 RAG 往往力不从心。

GraphRAG 就是来解决这个问题的。

起源：微软研究院的 GraphRAG 论文

2024 年初，微软研究院发布了一篇论文，提出了 GraphRAG 概念：将文档转化为知识图谱（Knowledge Graph），用图的结构来表示实体与关系，再在图上做检索增强。实验表明，在需要全局理解的问题上，GraphRAG 相比传统向量检索有大幅提升。

而 khoj-ai/knowledge-graph 这个项目，就是 GraphRAG 概念的轻量级 Python 实现，代码简洁、逻辑清晰，非常适合快速验证想法。

核心原理：五步把文档变成知识图谱

项目将整个流程拆解为五个阶段：

第一步：文档切块
将源文档按固定长度（默认 600 字符）切分为文本块，每块作为后续处理的最小单位。

第二步：实体抽取（Element Instances）
用 Gemini-1.5-Flash-002 模型从每个文本块中抽取实体（人物、组织、地点）和关系对。prompt 模板引导模型输出 JSON 格式的实体列表和关系列表（包含关系描述和强度评分 1-10）。所有实体和关系逐步汇入 NetworkX 图结构。

第三步：节点摘要（Element Summaries）
为图中每个节点生成一段摘要描述，综合该节点本身的描述以及它与所有邻居节点的边关系信息。同样由 Gemini 模型生成。

第四步：社区划分（Graph Communities）
用 Leiden 算法（通过 graspologic 库）对图谱做层次化社区检测，将节点划分为多个社区，每个社区内的节点语义上高度相关。算法保证每个社区不超过 max_cluster_size（默认 10）个节点，便于后续处理。

第五步：社区摘要（Community Summaries）
对每个社区的所有节点摘要进行综合，生成一段社区级别的宏观描述。这是最关键的一步——它让 LLM 能够从"全局"视角理解文档，而不仅仅是一堆零散的片段。

生成的图谱存储在 ChromaDB 中，分为 4 个 Collection：element_instances（实体节点）、element_summaries（节点摘要）、graph_communities（社区结构）、community_summaries（社区摘要），外加一份原始文档块集合 source_documents。

查询流程：比传统 RAG 更聪明

当用户提出一个问题时，项目用两阶段处理：

查询改写：用 LLM 分析问题，从知识图谱中选择最相关的实体，生成多个专门化的子查询
并行检索 + 综合回答：在 4 个 ChromaDB Collection 中并行向量搜索，收集所有相关结果后，由 LLM 综合生成最终答案

这种设计让系统能处理需要跨社区整合信息的复杂问题——传统 RAG 做不到的事。

技术栈一览

组件	技术选型	作用
LLM	Gemini-1.5-Flash-002	实体抽取、摘要生成、问答
图谱构建	NetworkX + graspologic	图结构操作、Leiden 社区检测
向量数据库	ChromaDB（HTTP 模式）	存储节点/社区向量，支持并行检索
Web 可视化	Streamlit + Pyvis	交互式图谱浏览和过滤
查询 CLI	Typer + Rich	终端交互式查询界面
包管理	uv	快速、可复现的依赖安装

上手体验：几步走起

# 安装 uv 包管理器
curl -LsSf https://astral.sh/uv/install.sh | sh

# 安装依赖
uv run pip install

# 设置 Gemini API Key
echo "GOOGLE_API_KEY=your_key_here" > .env

# 启动 ChromaDB 服务
chroma run --path db

# 放入待处理的文档到 data/ 目录，然后构建图谱
python3 graph.py

# 开始查询
python3 query_cli.py

# 或者打开 Web 可视化
streamlit run visualize.py

整体部署难度中等，主要门槛是需要申请 Google AI Studio 的 Gemini API Key，以及手动启动 ChromaDB HTTP 服务。

优势与局限

优势：

代码结构非常清晰，五个阶段一目了然，适合作为 GraphRAG 的学习教材
支持 Streamlit 交互式图谱可视化，直观感受知识图谱的构建过程
Leiden 层次化社区检测让图谱具备多粒度理解能力
查询时用 LLM 改写问题，比直接向量检索更精准

局限：

目前仅支持 Gemini-1.5-Flash，扩展到其他模型需要少量代码改动
无 Docker 支持，无法一键部署，依赖管理略显繁琐（需要启动独立的 ChromaDB 服务）
无自动化测试，代码质量依赖人工审查
实体类型硬编码为 Person、Organization、Location，不够灵活
无文档级别的索引优化，大规模文档处理效率有待验证

行业意义：GraphRAG 的星辰大海

GraphRAG 代表了 RAG 领域的演进方向——从"找相关片段"到"理解语义关系"。随着知识图谱在企业数据中的普及，这类工具的实用价值会持续增长。本项目虽小，但五脏俱全：LLM 抽取、图谱构建、社区检测、向量检索、可视化——完整的闭环让任何对 GraphRAG 感兴趣的人都能快速上手实验。

对于想要深入理解知识图谱 + RAG 融合应用的开发者而言，这是一个值得研究的精炼原型。