Graph-RAG图增强的智能检索一句话理解Graph-RAG RAG 知识图谱。传统RAG按文本块检索Graph-RAG按实体和关系检索能理解谁是谁的谁特别擅长回答全局性问题如这家公司的发展历程是什么。目录从传统RAG到Graph-RAG核心原理图谱构建2026年最新进展实战代码选型指南常见问题延伸阅读读者互动1. 从传统RAG到Graph-RAG1.1 传统RAG的痛点传统RAG的碎片化检索问题用户问题“张三在哪个公司工作”文档内容[Chunk 1] 张三是一名工程师…[Chunk 2] 他的公司叫星辰科技…[Chunk 3] 星辰科技成立于2018年…问题张三的信息分散在多个chunk中简单检索可能只匹配到一个chunk无法建立张三→工程师→星辰科技的关联1.2 Graph-RAG的解决方案Graph-RAG的知识图谱视角实体类型关系关联实体星辰科技公司--张三人物工作于星辰科技李四人物工作于星辰科技王五人物CTO星辰科技2020年时间入职年张三Graph-RAG能直接回答“张三在星辰科技工作是工程师”通过关系推理1.3 对比表格维度传统RAGGraph-RAG检索单元文本块实体/关系关系理解弱强全局问题❌✅多跳推理❌✅构建成本低高适用场景事实问答复杂分析2. 核心原理2.1 Graph-RAG架构层级组件说明文档输入层PDF, Word, 网页, 知识库…原始文档输入图谱构建层实体提取(NER)、关系抽取(RE)、图谱构建解析和结构化索引存储层知识图谱(Neo4j等)、文本向量(向量库)双索引存储检索推理层图检索、向量检索、融合生成混合检索回答输出最终答案整合输出2.2 核心算法Community SummaryGraph-RAG的灵魂社区摘要层级内容示例Level 2整个知识图谱的全局摘要“这家公司是一家AI公司…”Level 1部门/社区级摘要部门A摘要1、部门B摘要2、部门C摘要3Level 0实体节点节点1、节点2、…、节点N检索策略小问题 → 局部检索Level 0-1大问题 → 全局检索Level 22.3 检索策略对比问题类型传统RAGGraph-RAG“XXX是什么”✅ 直接检索✅ 实体关系“YYY和ZZZ有什么关系”✅✅✅“整个文档讲了什么”❌✅✅✅“总结公司的所有业务”❌✅✅✅3. 图谱构建3.1 实体类型定义# 实体类型定义示例entity_types:person:description:人物properties:-name:str-role:str-department:str-skills:list[str]organization:description:组织机构properties:-name:str-type:str# 公司/部门/团队-founded:str-location:strtechnology:description:技术/产品properties:-name:str-category:str-version:str-status:str# 在研/上线/废弃3.2 关系类型定义# 关系类型定义示例relation_types:works_for:description:工作于from:personto:organizationdevelops:description:开发from:personto:technologybelongs_to:description:属于from:technologyto:organizationdepends_on:description:依赖于from:technologyto:technology3.3 实体抽取代码# 使用LLM进行实体抽取frompydanticimportBaseModelfromtypingimportList,OptionalclassPerson(BaseModel):name:strrole:strdepartment:Optional[str]NoneclassOrganization(BaseModel):name:strtype:strclassTechnology(BaseModel):name:strcategory:strclassExtractedKnowledge(BaseModel):persons:List[Person][]organizations:List[Organization][]technologies:List[Technology][]relations:List[str][]# 格式: 张三 works_for 星辰科技defextract_entities_with_llm(text:str,llm)-ExtractedKnowledge:使用LLM抽取实体和关系promptf 从以下文本中抽取实体和关系。 文本{text}请以结构化JSON格式输出。 responsellm.chat.completions.create(modelgpt-4,messages[{role:user,content:prompt}],response_formatExtractedKnowledge)returnExtractedKnowledge.model_validate_json(response.choices[0].message.content)4. 2026年最新进展4.1 Graph-RAG进化时间进展意义2024微软Graph-RAG发布解决全局性问题2025LightRAG开源高效轻量实现2025HybridRAGGraph Vector混合2026.1NaiveRAG2Graph自动图谱构建2026.2GAG-RAG图增强生成成熟4.2 2026年主流方案对比方案来源特点适用场景微软Graph-RAGMicrosoftCommunity Summary大规模文档LightRAGHKU开源轻量快速快速原型HybridRAG学术界GraphVector融合精确全面KAGOpenSPG领域知识增强专业知识库5. 实战代码5.1 使用Neo4j构建图谱# Neo4j图数据库实战fromneo4jimportGraphDatabaseclassKnowledgeGraph:知识图谱构建和管理def__init__(self,uri:str,user:str,password:str):self.driverGraphDatabase.driver(uri,auth(user,password))defcreate_entity(self,label:str,properties:dict):创建实体withself.driver.session()assession:session.run(f MERGE (e:{label}{{name: $name}}) SET e $props ,nameproperties[name],propsproperties)defcreate_relation(self,from_name:str,to_name:str,relation_type:str):创建关系withself.driver.session()assession:session.run(f MATCH (a {{name: $from_name}}) MATCH (b {{name: $to_name}}) MERGE (a)-[:{relation_type}]-(b) ,from_namefrom_name,to_nameto_name)defquery_path(self,from_entity:str,to_entity:str):查询路径withself.driver.session()assession:resultsession.run( MATCH path (a {name: $from})-[*]-(b {name: $to}) RETURN path LIMIT 5 ,from_from_entity,toto_entity)return[record[path]forrecordinresult]defget_neighbors(self,entity_name:str,depth:int1):获取邻居节点withself.driver.session()assession:resultsession.run( MATCH path (a {name: $name})-[*1..%d]-(b) RETURN path %depth,nameentity_name)return[dict(record[path])forrecordinresult]5.2 LightRAG实战# LightRAG轻量级Graph-RAG实现fromlightragimportLightRAG,QueryParam# 初始化ragLightRAG(working_dir./graph_data,embedding_modeltext-embedding-3-small,llm_modelgpt-4)# 添加文档rag.insert( 张三在星辰科技担任AI工程师。 他负责开发智能对话系统。 星辰科技是一家成立于2018年的AI公司。 李四是星辰科技的产品经理。 )# 本地检索类似传统RAGlocal_resultrag.query(张三担任什么职位,paramQueryParam(modelocal))# 全局检索Graph-RAG特有global_resultrag.query(星辰科技有哪些人他们的角色是什么,paramQueryParam(modeglobal))# 混合检索hybrid_resultrag.query(张三是做什么的,paramQueryParam(modehybrid))5.3 完整Graph-RAG Pipeline# 完整的Graph-RAG实现classGraphRAG:Graph-RAG完整实现def__init__(self):self.kgKnowledgeGraph(bolt://localhost:7687,neo4j,password)self.vector_dbMilvusCollection(text_chunks)self.llmOpenAIClient()self.embedderSentenceTransformer(all-MiniLM-L6-v2)defingest_document(self,document:str,doc_id:str):文档摄入# 1. 实体抽取entitiesextract_entities_with_llm(document,self.llm)# 2. 存储到图数据库forpersoninentities.persons:self.kg.create_entity(Person,person.model_dump())fororginentities.organizations:self.kg.create_entity(Organization,org.model_dump())# 3. 存储关系到图数据库forrelationinentities.relations:from_ent,rel_type,to_entself._parse_relation(relation)self.kg.create_relation(from_ent,to_ent,rel_type)# 4. 存储文本块到向量数据库chunksself._chunk_document(document)vectorsself.embedder.encode(chunks)forchunk,vectorinzip(chunks,vectors):self.vector_db.insert(vector,{text:chunk,doc_id:doc_id})defretrieve(self,query:str,top_k:int5)-list:检索query_vectorself.embedder.encode([query])[0]# 1. 图检索graph_resultsself._graph_search(query)# 2. 向量检索vector_resultsself.vector_db.search(query_vector,top_k)# 3. 融合returnself._fusion(graph_results,vector_results)def_graph_search(self,query:str)-list:图检索# 提取查询中的实体entitiesextract_entities_with_llm(query,self.llm)results[]forpersoninentities.persons:neighborsself.kg.get_neighbors(person.name,depth2)results.extend(neighbors)returnresultsdefanswer(self,query:str)-str:生成回答# 1. 检索相关上下文contextself.retrieve(query)# 2. 构建promptpromptf 基于以下信息回答问题{context}问题{query}# 3. 生成回答returnself.llm.chat(prompt)6. 选型指南6.1 场景选型场景推荐方案原因快速原型LightRAG零配置大规模企业微软Graph-RAG成熟稳定需要混合检索HybridRAG精确全面中文专业知识库KAG (OpenSPG)阿里开源学术/研究自建 Neo4j灵活定制6.2 成本与复杂度方案复杂度成本效果LightRAG低低中等微软Graph-RAG高中-高优秀自建高高可控7. 常见问题Q1Graph-RAG比传统RAG慢很多吗答不一定。操作传统RAGGraph-RAG构建索引快较慢需要抽取检索延迟快可能更慢全局问题慢/无法回答快速准确Q2实体抽取质量如何保证答几种策略LLM抽取成本高但质量可控NER模型速度快但需要训练数据混合方案先用NER再用LLM校验Q3什么时候需要Graph-RAG答当出现以下需求时✅ 需要回答全局性问题✅ 文档包含大量实体关系✅ 用户会问XX和YY有什么关系✅ 需要多跳推理能力❌ 简单的事实问答8. 延伸阅读相关词汇关联度推荐理由W03 RAG⭐⭐⭐⭐Graph-RAG是RAG的进阶W27 向量数据库⭐⭐⭐Graph-RAG依赖向量库W28 Agent记忆系统⭐⭐⭐记忆系统可结合Graph-RAGW12 嵌入⭐⭐嵌入是检索的基础 批判性思考1. 构建成本是否值得实体抽取、关系抽取的开发成本维护图谱的持续成本2. 实体抽取的准确性LLM抽取的错误率如何处理歧义3. 图谱的更新问题文档更新后图谱如何同步增量更新还是全量重建本文收录于「AI词汇专栏」作者孤岛站岗本文参考资料2026年4月微软Graph-RAG官方文档LightRAG GitHub仓库《RAG技术最新进展》腾讯云开发者 2026.2