当前位置：首页 > news >正文

GraphRAG：知识图谱赋能的检索增强生成

news 2025/9/26 16:12:44

文章摘要

GraphRAG 是 RAG（检索增强生成）的进阶，它通过知识图谱为 LLM 提供结构化、上下文相关的知识，从而增强 AI 的推理能力。与 RAG 仅检索孤立文本片段不同，GraphRAG 构建知识之间的连接，使 AI 能够理解知识，而非仅仅找到信息。这使得 GraphRAG 在医疗保健、金融、教育和企业 AI 等领域具有广泛应用前景。

正文

我们已经看到 RAG（Retrieval-Augmented Generation，检索增强生成）作为 AI 的一项重大进步。传统上，大型语言模型 (LLMs) 仅依赖于训练数据，而 RAG 允许 LLMs 搜索外部资源（如文档或数据库），然后根据其发现生成答案。

但是，这里有一个问题：

RAG 通常处理孤立的文本块（例如来自 PDF 的段落）。
现实世界的知识不是孤立的。它是相互关联的。

这就是 GraphRAG 的用武之地。它为 RAG 带来了结构、上下文和推理能力。

🔎 什么是 GraphRAG？

GraphRAG = 由知识图谱支持的检索增强生成。

知识图谱将信息表示为：

节点：代表实体（例如，人物、公司、概念）。
边：代表节点之间的关系（例如，“Rohit 在 OpenAI 工作”）。

当您提出问题时，GraphRAG 不是仅提取纯文本，而是检索一个子图 -> 一组直接连接到您查询的节点 + 关系。

这不仅为 LLM 提供了事实，还提供了这些事实的联系。

⚙️ 架构（逐步）

以下是 GraphRAG 的典型工作方式：

知识图谱构建

使用 NLP/LLMs 从非结构化数据中提取实体和关系。
将此结构化数据存储在图数据库中（Neo4j、TigerGraph、ArangoDB、Weaviate 等）。

📌 示例：从句子“Rohit 在 OpenAI 担任 GenAI 开发人员”：
- 节点 1 = Rohit
- 节点 2 = OpenAI
- 边 = “在...工作”
(提示：此处可以插入知识图谱的示意图，展示节点和边)
查询理解

当用户提问时，系统会将其映射到图。

例如：“Rohit 在哪里工作？”

查询映射到 -> 节点：Rohit -> 连接边：在...工作 -> 节点：OpenAI 。
基于图的检索

GraphRAG 不是提取原始段落，而是检索与查询匹配的子图。
使用图遍历、嵌入或路径搜索等算法。

📌 示例：如果问题是：“谁和 Rohit 一起工作？” ->
GraphRAG 可以从 Rohit -> 在 OpenAI 工作 -> OpenAI 的员工。

(提示：此处可以插入图遍历的示意图)
为 LLM 准备上下文

将子图转换为结构化上下文（文本或类似 JSON 的格式）。
将此上下文传递给 LLM 。

例如，输入到 LLM：

Rohit -> 在...工作 -> OpenAI
Arvind -> 在...工作 -> OpenAI
OpenAI -> 专攻 -> 生成式 AI
生成（LLM 推理）

LLM 现在拥有连接的知识，而不仅仅是随机文本。
它生成具有更丰富推理的答案。

📌 示例输出：“Rohit 在 OpenAI 担任 GenAI 开发人员。他与 Arvind 一起工作，因为他们都是 OpenAI 的员工。”

🧠 为什么 GraphRAG 更好（简单示例）

想象一下，问：“是什么导致印度降雨？”

传统 RAG -> 可能会提取关于“降雨”、“印度”和“季风”的随机维基百科段落。
GraphRAG -> 可以追溯连接，例如：

(提示：此处可以插入流程图，展示 GraphRAG 如何连接因果关系、影响和结果)

这种方式，GraphRAG 不仅找到了文本。它连接了原因 -> 影响 -> 结果 -> 提供逻辑的、多跳的解释。

📌 GraphRAG 的优势

医疗保健 -> 链接症状 -> 可能的疾病 -> 治疗方法。
金融 -> 连接公司 -> 交易 -> 监管。
教育 -> 映射概念，以便 AI 可以逐步解释学习路径。
企业 AI -> 整合产品手册、工单和客户问题。

🚀 为什么这很重要

GraphRAG 不仅仅是存储更多文本。它是关于存储关系 -> 所以 AI 可以像人类一样推理。

我们正在从：

RAG -> 寻找信息。
GraphRAG -> 理解知识。

这是知识密集型 AI 应用程序的未来。

如果 RAG 就像看随机的拼图碎片，GraphRAG 就像看到整个拼图图片，所有连接都到位。

这才是构建能够真正理解、推理和解释的 AI 的真正进步。