Q1：到底什么是 GraphRAG？
答：GraphRAG（Graph Retrieval-Augmented Generation）是检索增强生成（RAG）技术的下一代形态。它不仅像传统 RAG 那样依赖向量搜索从文档中找片段，还构建了一个知识图谱，能把实体（人、地、事）、关系和社区（密切关联的实体群）显式地建模出来。这样，大模型在生成答案时，既能查到精确的局部事实，又能获得全局的“社区报告”，推理深度、可解释性和准确度都大幅提升。简单说，GraphRAG 让 AI 既看得见树木，也看得见森林。
Q2：为什么需要 GraphRAG？传统 RAG 不够好吗？
答：传统 RAG 以向量相似度为核心，面对零散、跨段落甚至多文档的关联问题时，容易出现以下痛点：
- 准确度不足——相似度最高不等于信息最相关，容易漏掉关键联系；
- 可解释性差——用户不知道为什么选择了某段文本，信任度低；
- 整体理解弱——难以回答“总结主要人物关系”、“全局主题演变”等需要跨片段聚合的问题。
GraphRAG 通过知识图谱的结构化表示，天然携带实体间的语义关系，检索时能沿着边进行多跳推理，查询结果自带逻辑路径，可解释性强，而且能生成描述整个社区或主题的摘要，正好弥补了传统 RAG 的短板。
Q3：GraphRAG 的核心技术是什么？
答：核心技术可拆解为两个引擎：
- 图索引引擎（Graph Indexer）：从原始文档中自动抽取实体（人物、组织、地点等）和关系，构建知识图谱。然后运用层次聚类算法（如 Leiden 社区发现）检测出多层级的“实体社区”，并为每个社区生成描述性摘要，形成“社区报告”。
- 图推理引擎（Graph Reasoner）：收到用户问题后，同时进行两种检索：一是向量检索找到最相关的实体和社区；二是图遍历，沿着知识图谱的边进行多跳探索。将检索到的局部上下文和社区全局摘要组合后，送入大语言模型生成最终答案。
正是这种“向量 + 图谱”的双路召回，让 GraphRAG 具备处理复杂查询的能力。
Q4：GraphRAG 的工作流程分为哪几步？
答：典型流程分五步：
- 文档分块与实体抽取：用大模型或专门 NER 工具识别文本中的实体和关系，形成图谱节点和边。
- 社区检测与摘要生成：通过 Leiden 算法将图谱划分为不同粒度的社区，并为每个社区生成文本摘要（社区报告）。
- 向量索引构建：为实体描述、社区报告等生成嵌入向量，支持快速相似度搜索。
- 查询处理：解析用户问题，提取关键实体，并行进行向量检索和图遍历，获得多源上下文。
- 最终生成：将检索到的上下文拼接到提示词中，由大模型综合推理，输出结果并附上引用来源（如在图谱中的路径）。
Q5：GraphRAG 相比传统 RAG 有哪些具体优势？
答：
- ✅更高的准确度：知识图谱提供明确的关系约束，避免仅靠语义相似度引入的噪声。
- ✅卓越的可解释性：答案可以溯源到图谱中的实体、关系和社区，回答“为什么是这条信息”变得可能。
- ✅全局理解能力：借助社区摘要，能够回答需要聚合全量信息的总结类、对比类问题，如“分析两家公司在治理结构上的异同”。
- ✅多跳推理：图谱天然支持“A → B → C”的链路推理，而传统 RAG 很难串联多段分散信息。
- ✅对抗幻觉：结构化的知识约束降低了模型自由发挥的空间，使生成内容更贴合真实数据。
Q6：有没有实际的例子说明 GraphRAG 的效果？
答：假设我们要分析一份200页的医药行业报告。传统 RAG 面对“列出所有与‘创新药’相关的公司及其核心品种”这类问题时，只能返回包含关键词的碎片文本，可能遗漏跨页未明确写出但实际有关联的企业。GraphRAG 则会：
- 在图谱中定位“创新药”实体，找到所有与它有“研发”、“生产”、“投资”等关系的公司节点；
- 通过社区报告取得这些公司所属的“小分子药物社区”、“基因治疗社区”等全局视图；
- 最终输出结构化表格，并标注每条数据源自哪份社区报告、哪条边，可信度一目了然。
Q7：我应该如何上手 GraphRAG？
答：
- 学习理论：阅读微软 GraphRAG 论文和相关开源项目（如官方 graphrag 仓库），理解图索引、社区摘要、局部/全局搜索等核心概念。
- 跑通 Demo：使用开源库快速搭建原型，提供自己的文档，观察图谱生成过程和两种搜索模式（local/global）的效果差别。
- 结合场景优化：针对你的数据特点，调整实体抽取提示词、社区粒度、嵌入模型等参数。
- 集成到应用：将 GraphRAG 作为 RAG 流程的一个模块，或直接调用其 API，逐步替换原有纯向量检索方案。
GraphRAG 不仅是一项技术升级，更是一种认知范式的转变——让 AI 从“找相似”进化到“理关系”，真正迈向深度理解。
