https://www.yiliao.com/index.php?action=history&feed=atom&title=GraphRAG
GraphRAG - 版本历史
2026-04-19T01:34:03Z
本wiki的该页面的版本历史
MediaWiki 1.35.1
https://www.yiliao.com/index.php?title=GraphRAG&diff=312615&oldid=prev
77921020：建立内容为“<div style="padding: 0 4%; line-height: 1.8; color: #1e293b; font-family: 'Helvetica Neue', Helvetica, 'PingFang SC', Arial, sans-serif; background-color: #ffffff…”的新页面
2026-01-04T00:30:54Z
<p>建立内容为“<div style="padding: 0 4%; line-height: 1.8; color: #1e293b; font-family: 'Helvetica Neue', Helvetica, 'PingFang SC', Arial, sans-serif; background-color: #ffffff…”的新页面</p>
<p><b>新页面</b></p><div><div style="padding: 0 4%; line-height: 1.8; color: #1e293b; font-family: 'Helvetica Neue', Helvetica, 'PingFang SC', Arial, sans-serif; background-color: #ffffff; max-width: 1200px; margin: auto;"><br />
<br />
<div style="margin-bottom: 30px; border-bottom: 1.2px solid #e2e8f0; padding-bottom: 25px;"><br />
<p style="font-size: 1.1em; margin: 10px 0; color: #334155; text-align: justify;"><br />
<strong>GraphRAG</strong>（Graph Retrieval-Augmented Generation，<strong>图谱增强检索生成</strong>）是一种结合了<strong>[[知识图谱]]</strong>（Knowledge Graph）结构化优势与<strong>[[大语言模型]]</strong>（LLM）生成能力的下一代 RAG 技术。传统的 RAG（Naive RAG）依赖于向量相似度检索，这在处理简单的“事实查询”时有效，但在面对需要<strong>[[多跳推理]]</strong>（Multi-hop Reasoning）或这就需要理解数据间复杂关系的医学问题时往往失效。GraphRAG 通过将文本转化为图谱结构，利用图的遍历能力检索出“实体”及其“关系”，从而让 AI 具备了逻辑推理能力和全局视角，极大地降低了医疗 AI 的<strong>[[幻觉]]</strong>风险。<br />
</p><br />
</div><br />
<br />
<div class="medical-infobox mw-collapsible mw-collapsed" style="width: 100%; max-width: 320px; margin: 0 auto 35px auto; border: 1.2px solid #bae6fd; border-radius: 12px; background-color: #ffffff; box-shadow: 0 8px 20px rgba(0,0,0,0.05); overflow: hidden;"><br />
<br />
<div style="padding: 15px; color: #1e40af; background: linear-gradient(135deg, #e0f2fe 0%, #bae6fd 100%); text-align: center; cursor: pointer;"><br />
<div style="font-size: 1.2em; font-weight: bold; letter-spacing: 1.2px;">GraphRAG</div><br />
<div style="font-size: 0.7em; opacity: 0.85; margin-top: 4px; white-space: nowrap;">(点击展开)</div><br />
</div><br />
<br />
<div class="mw-collapsible-content"><br />
<div style="padding: 25px; text-align: center; background-color: #f8fafc;"><br />
<div style="display: inline-block; background: #ffffff; border: 1px solid #e2e8f0; border-radius: 12px; padding: 20px; box-shadow: 0 4px 10px rgba(0,0,0,0.04);"><br />
[[Image:GraphRAG_Concept_Icon.png|100px|图谱+大模型]]<br />
</div><br />
<div style="font-size: 0.8em; color: #64748b; margin-top: 12px; font-weight: 600;">结构化知识驱动的生成</div><br />
</div><br />
<br />
<table style="width: 100%; border-spacing: 0; border-collapse: collapse; font-size: 0.85em;"><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f1f5f9; color: #475569; border-bottom: 1px solid #e2e8f0; width: 40%;">核心组件</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;">KG (知识图谱) + LLM</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f1f5f9; color: #475569; border-bottom: 1px solid #e2e8f0;">检索方式</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #1e40af;">图遍历 (Graph Traversal)</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f1f5f9; color: #475569; border-bottom: 1px solid #e2e8f0;">主要优势</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;">多跳推理, 全局概括</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f1f5f9; color: #475569; border-bottom: 1px solid #e2e8f0;">关键技术</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;">社区发现 (Leiden算法)</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f1f5f9; color: #475569; border-bottom: 1px solid #e2e8f0;">首发机构</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #1e40af;">[[Microsoft Research]]</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f1f5f9; color: #475569;">核心标签</th><br />
<td style="padding: 6px 12px; color: #1e40af;">[[可解释性]], [[逻辑推理]]</td><br />
</tr><br />
</table><br />
</div><br />
</div><br />
<br />
<h2 style="background: #f1f5f9; color: #0f172a; padding: 10px 18px; border-radius: 0 6px 6px 0; font-size: 1.25em; margin-top: 40px; border-left: 6px solid #0f172a; font-weight: bold;">技术背景：为什么医学需要 GraphRAG？</h2><br />
<br />
<p style="margin: 15px 0; text-align: justify;"><br />
在医学领域，单纯的 <strong>[[Vector RAG]]</strong>（向量检索）存在致命缺陷：它只能检索到“字面相似”的片段，而无法理解“逻辑关联”。<br />
<br><strong>场景示例：</strong> 用户问“除了二甲双胍，还有哪些药能治疗2型糖尿病但不会导致低血糖？”<br />
<br>• <strong>Vector RAG：</strong> 可能会检索到含有“二甲双胍”和“低血糖”关键词的文档片段，然后拼凑出一个可能包含错误的答案。<br />
<br>• <strong>GraphRAG：</strong> 会在知识图谱中先找到[二甲双胍]节点，沿[治疗]边找到[2型糖尿病]，再查找该疾病的其他[治疗药物]节点，并过滤掉[副作用]包含[低血糖]的药物。这是基于逻辑的精确检索。<br />
</p><br />
[[Image:GraphRAG_Workflow_Diagram]]<br />
<br />
<h2 style="background: #f1f5f9; color: #0f172a; padding: 10px 18px; border-radius: 0 6px 6px 0; font-size: 1.25em; margin-top: 40px; border-left: 6px solid #0f172a; font-weight: bold;">核心机制：Indexing & Querying</h2><br />
<br />
<div style="margin-bottom: 25px; border: 1px solid #e2e8f0; border-radius: 8px; padding: 20px; background-color: #ffffff;"><br />
<h3 style="margin-top: 0; color: #1e40af; font-size: 1.1em; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;">1. Indexing (图谱构建与索引)</h3><br />
<p style="text-align: justify; color: #334155;"><br />
GraphRAG 首先利用 LLM 从非结构化文本（如医学指南、百科）中自动提取实体（Entities）和关系（Relationships），构建知识图谱。<br />
<br><strong>特色技术：</strong> 微软提出的 GraphRAG 方法引入了<strong>[[社区发现]]</strong>（Community Detection）。它将紧密相关的节点（如所有关于“肺癌化疗”的节点）聚类成一个社区，并预先生成该社区的摘要。这使得 AI 能够回答“肺癌化疗有哪些常见方案？”这种宏观问题。<br />
</p><br />
</div><br />
<br />
<div style="margin-bottom: 25px; border: 1px solid #e2e8f0; border-radius: 8px; padding: 20px; background-color: #f8fafc;"><br />
<h3 style="margin-top: 0; color: #b91c1c; font-size: 1.1em; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;">2. Querying (图谱增强检索)</h3><br />
<p style="text-align: justify; color: #334155;"><br />
当用户提问时，系统不仅进行关键词匹配，还在图谱上进行<strong>[[多跳游走]]</strong>（Multi-hop Traversal）。<br />
<br>例如：查询“Drug A 对 Gene B 突变患者的风险”，系统会沿路径检索：Drug A -> Target C -> Pathway D -> Gene B。它将这条完整的<strong>“证据链”</strong>作为上下文喂给 LLM，从而生成有理有据的回答。<br />
</p><br />
</div><br />
<br />
<h2 style="background: #f1f5f9; color: #0f172a; padding: 10px 18px; border-radius: 0 6px 6px 0; font-size: 1.25em; margin-top: 40px; border-left: 6px solid #0f172a; font-weight: bold;">横向测评：Vector RAG vs GraphRAG</h2><br />
<br />
<p style="margin: 15px 0; text-align: justify;"><br />
GraphRAG 是对 Vector RAG 的降维打击，特别是在复杂专业领域。<br />
</p><br />
<br />
<div style="overflow-x: auto; margin: 30px auto; max-width: 100%;"><br />
<table style="width: 100%; border-collapse: collapse; border: 1.2px solid #cbd5e1; font-size: 0.9em; text-align: left;"><br />
<tr style="background-color: #f1f5f9; border-bottom: 2px solid #0f172a;"><br />
<th style="padding: 12px; border: 1px solid #cbd5e1; color: #0f172a; width: 25%;">维度</th><br />
<th style="padding: 12px; border: 1px solid #cbd5e1; color: #475569;">Vector RAG (传统)</th><br />
<th style="padding: 12px; border: 1px solid #cbd5e1; color: #1e40af;">GraphRAG (进阶)</th><br />
</tr><br />
<tr><br />
<td style="padding: 10px; border: 1px solid #cbd5e1; font-weight: 600; background-color: #ffffff;">数据表示</td><br />
<td style="padding: 8px; border: 1px solid #cbd5e1;">切片文本块 (Chunks) 的向量。数据是碎片的。</td><br />
<td style="padding: 8px; border: 1px solid #cbd5e1;">结构化的实体与关系 (Knowledge Graph)。数据是关联的。</td><br />
</tr><br />
<tr><br />
<td style="padding: 10px; border: 1px solid #cbd5e1; font-weight: 600; background-color: #f8fafc;">推理能力</td><br />
<td style="padding: 8px; border: 1px solid #cbd5e1;"><strong>弱。</strong> 仅靠语义相似度，难以处理跨文档的逻辑连接。</td><br />
<td style="padding: 8px; border: 1px solid #cbd5e1;"><strong>强。</strong> 支持<strong>[[多跳推理]]</strong>，能发现隐性关系（A->B->C）。</td><br />
</tr><br />
<tr><br />
<td style="padding: 10px; border: 1px solid #cbd5e1; font-weight: 600; background-color: #ffffff;">全局理解</td><br />
<td style="padding: 8px; border: 1px solid #cbd5e1;"><strong>差。</strong> 难以回答“总结全部文档中提到的副作用”这类全集问题。</td><br />
<td style="padding: 8px; border: 1px solid #cbd5e1;"><strong>优。</strong> 利用图谱社区摘要，擅长回答宏观概括性问题。</td><br />
</tr><br />
<tr><br />
<td style="padding: 10px; border: 1px solid #cbd5e1; font-weight: 600; background-color: #f8fafc;">构建成本</td><br />
<td style="padding: 8px; border: 1px solid #cbd5e1;">低。只需 Embedding 模型。</td><br />
<td style="padding: 8px; border: 1px solid #cbd5e1;">高。需要构建高质量图谱，涉及 NER 和关系抽取。</td><br />
</tr><br />
</table><br />
</div><br />
<br />
<div style="font-size: 0.92em; line-height: 1.6; color: #1e293b; margin-top: 50px; border-top: 2px solid #0f172a; padding: 15px 25px; background-color: #f8fafc; border-radius: 0 0 10px 10px;"><br />
<span style="color: #0f172a; font-weight: bold; font-size: 1.05em; display: inline-block; margin-bottom: 15px;">关键参考文献</span><br />
<br />
<p style="margin: 12px 0; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;"><br />
[1] <strong>Edge D, et al. (2024).</strong> <em>From Local to Global: A Graph RAG Approach to Query-Focused Summarization.</em> <strong>[[Microsoft Research]]</strong>.<br><br />
<span style="color: #475569;">[奠基之作]：微软团队正式提出了 GraphRAG 的概念，证明了其在处理大规模数据集的全局性问题（Global Sensemaking）上显著优于传统 RAG。</span><br />
</p><br />
<br />
<p style="margin: 12px 0; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;"><br />
[2] <strong>Pan S, et al. (2023).</strong> <em>Unifying Large Language Models and Knowledge Graphs: A Roadmap.</em> <strong>[[IEEE TKDE]]</strong>.<br><br />
<span style="color: #475569;">[综述]：系统阐述了 LLM 与 KG 结合的三种模式：KG 增强 LLM（即 GraphRAG）、LLM 增强 KG（用 AI 建图）以及协同进化。</span><br />
</p><br />
</div><br />
<br />
<div style="margin: 40px 0; border: 1px solid #e2e8f0; border-radius: 8px; overflow: hidden; font-family: 'Helvetica Neue', Arial, sans-serif; font-size: 0.9em;"><br />
<div style="background-color: #eff6ff; color: #1e40af; padding: 8px 15px; font-weight: bold; text-align: center; border-bottom: 1px solid #dbeafe;"><br />
GraphRAG · 知识图谱<br />
</div><br />
<table style="width: 100%; border-collapse: collapse; background-color: #ffffff;"><br />
<tr style="border-bottom: 1px solid #f1f5f9;"><br />
<td style="width: 85px; background-color: #f8fafc; color: #334155; font-weight: 600; padding: 10px 12px; text-align: right; vertical-align: middle; white-space: nowrap;">上级技术</td><br />
<td style="padding: 10px 15px; color: #334155;">[[RAG]] (检索增强生成) • [[知识图谱]]</td><br />
</tr><br />
<tr style="border-bottom: 1px solid #f1f5f9;"><br />
<td style="width: 85px; background-color: #f8fafc; color: #334155; font-weight: 600; padding: 10px 12px; text-align: right; vertical-align: middle; white-space: nowrap;">应用场景</td><br />
<td style="padding: 10px 15px; color: #334155;">[[临床决策支持]] (CDSS) • [[复杂病例分析]] • [[药物研发]]</td><br />
</tr><br />
<tr style="border-bottom: 1px solid #f1f5f9;"><br />
<td style="width: 85px; background-color: #f8fafc; color: #334155; font-weight: 600; padding: 10px 12px; text-align: right; vertical-align: middle; white-space: nowrap;">技术难点</td><br />
<td style="padding: 10px 15px; color: #334155;">[[实体对齐]] • [[知识更新]] • [[检索延迟]]</td><br />
</tr><br />
<tr><br />
<td style="width: 85px; background-color: #f8fafc; color: #334155; font-weight: 600; padding: 10px 12px; text-align: right; vertical-align: middle; white-space: nowrap;">工具栈</td><br />
<td style="padding: 10px 15px; color: #334155;">[[Neo4j]] • [[LangChain]] • [[LlamaIndex]]</td><br />
</tr><br />
</table><br />
</div><br />
<br />
</div></div>
77921020