GraphRAG：知识图谱增强检索

GraphRAG：知识图谱增强检索

学习目标

读完本章后，你将能够：

• 理解 GraphRAG 相比传统向量检索的差异与互补性
• 掌握知识图谱构建的三阶段流程（NER → 关系抽取 → 实体消歧）
• 设计图谱检索与向量检索的融合策略
• 分析 GraphRAG 的适用场景与局限

前置知识

• RAG 全链路可视化管线 — 检索基础流程
• 模板化文本切分策略 — 文本切分基础

---

1. 为什么 RAG 需要知识图谱

传统向量检索的局限：

1. 语义匹配但不精确：向量检索找到”语义相似”的文本，但无法精确回答”谁做了什么”、“A 与 B 的关系是什么”这类结构化问题
2. 缺乏全局关联：每个 chunk 独立检索，无法跨越文档发现实体间的关联
3. 不支持多跳推理：向量检索只能做一次相似度匹配，无法回答”A 的合作伙伴的竞争对手是谁”这类多跳问题

GraphRAG 将知识图谱的结构化知识与向量检索的语义能力结合：

2. 图谱构建三阶段

2.1 实体识别（NER）

从文本中识别出命名实体：

实体类型	示例
PERSON	张三、John Smith
ORGANIZATION	阿里巴巴、Google
LOCATION	北京、California
PRODUCT	iPhone、GPT-4
EVENT	2024 奥运会
DATE	2024 年、Q3

实现方式：

• LLM 辅助：用 LLM 从 chunk 中提取实体列表，灵活但成本高
• 传统 NER 模型：spaCy、BERT-NER 等，速度快但需要标注数据

2.2 关系抽取

在识别实体的同时，提取实体之间的关系：

文本："张三于 2023 年加入阿里巴巴，担任技术总监。"

提取结果：
(张三, JOIN_ORGANIZATION, 阿里巴巴, 2023)
(张三, TITLE, 技术总监)

关系类型可以是预定义的（如 Schema.org），也可以由 LLM 从上下文中动态推断。

2.3 实体消歧（实体对齐）

同一实体在不同文本中可能有不同表述：

"张三" = "张先生" = "三哥" = "Zhang San"
"阿里巴巴" = "Alibaba" = "阿里" = "淘宝母公司"

实体消歧通过 LLM 辅助判断两个实体描述是否指向同一对象：

Prompt 示例：
请判断以下两个实体描述是否指向同一个真实实体：
实体 A: "张三，技术总监"
实体 B: "张先生，阿里技术总监"

返回: {"same_entity": true, "confidence": 0.9}

轻量模式 vs 通用模式：

模式	特点	适用场景
轻量（Light）	基于文本相似度 + 规则匹配，不使用 LLM	大规模数据集、成本敏感
通用（General）	使用 LLM 辅助判断，准确率更高	高质量要求、中小规模

3. 图谱检索

图谱检索与向量检索并行执行：

3.1 图谱查询策略

查询类型	示例	图谱操作
实体查询	”张三是谁？“	按实体名称查找节点，返回属性
关系查询	”张三在哪工作？“	从实体节点出发遍历关系边
多跳查询	”张三的公司的竞争对手有哪些？“	多步遍历关系图
子图查询	”阿里巴巴的组织架构”	返回与实体相关的所有节点和关系

3.2 结果融合

图谱检索和向量检索的结果融合策略：

1. 图谱结果优先：如果图谱查询返回了精确匹配的结构化信息，将其放在结果列表最前面
2. 向量结果补充：向量检索提供更丰富的上下文文本
3. 统一格式化：将所有结果（图谱的结构化三元组 + 向量检索的文本 chunk）统一为 LLM 可读的格式

4. 阶段标记器（Phase Markers）

在图谱构建过程中，使用阶段标记器追踪进度：

阶段	标记	说明
1	PHASE_NER	实体识别完成
2	PHASE_RELATION	关系抽取完成
3	PHASE_RESOLUTION	实体消歧完成
4	PHASE_GRAPH	图谱构建完成

这使得图谱构建过程可观测、可中断、可恢复。

5. 问题与规避

陷阱	对策
实体识别准确率低	结合 LLM + 传统 NER 模型，互相校验
图谱规模爆炸	过滤低置信度关系，限制单实体最大关系数
实体消歧误判	设置较高置信度阈值（如 0.85），低于阈值的标记为待审核
图谱检索为空	回退到纯向量检索，图谱作为增强而非替代
图谱更新延迟	增量构建：新文档只处理新增实体，不影响已有图谱

6. 设计取舍

GraphRAG vs 纯向量 RAG

维度	GraphRAG	纯向量 RAG
精确查询	高（结构化查询）	中（语义近似匹配）
多跳推理	支持	不支持
构建成本	高（NER + 关系 + 消歧）	低（仅 Embedding）
维护成本	高（图谱需要持续更新）	低
适用场景	实体关系密集的查询	通用语义检索

推荐：当查询经常涉及实体关系（“谁”、“什么关系”、“关联”）时，引入 GraphRAG 作为向量检索的增强层。不需要完全替代向量检索，两者互补效果最好。

轻量 vs 通用图谱构建

已在第 2.3 节对比。简而言之：轻量模式适合快速启动，通用模式适合高质量要求。

---

参考来源

• Microsoft GraphRAG 论文：https://arxiv.org/abs/2404.16130
• Microsoft GraphRAG 项目：https://github.com/microsoft/graphrag

补充：轻量级实体链接在记忆系统中的应用

完整的 GraphRAG 流程（NER → 关系抽取 → 实体消歧 → 图谱构建 → 图查询）适用于文档级知识图谱构建。在 AI 记忆系统中，实体链接通常采用更轻量的方案：

轻量级实体链接 vs 完整 GraphRAG

维度	完整 GraphRAG	轻量级实体链接（Mem0 方案）
实体提取	LLM + NER 模型	spaCy NER 模型
关系类型	多种关系边（works_for、located_in 等）	仅实体-记忆关联（linked_memory_ids）
存储	专用图数据库（Neo4j）	向量存储（实体也 Embedding 后存入）
检索	Cypher 查询 + 多跳遍历	向量相似度搜索（top_k=1，阈值 ≥ 0.95）
用途	复杂多跳推理	检索阶段的实体提升（entity boost）

轻量级实体链接的核心设计

1. 实体-记忆多对多关联：每条记忆通过 linked_memory_ids 关联到多个实体；每个实体也关联到多个记忆 ID
2. 向量化实体搜索：实体也通过 Embedding 转为向量，在 Entity Store 中进行相似度搜索，而非精确字符串匹配
3. Spread-Attenuation 衰减：一个实体关联的记忆越多，单条记忆获得的提升权重越小，防止”大众实体”过度影响检索
4. 全局去重：同一批次提取的多个记忆中，相同实体只提取一次，共享 Embedding

适用场景

轻量级实体链接适合对话级记忆系统——实体密度低、关系简单、查询以语义检索为主。完整 GraphRAG 适合文档级知识库——实体密集、关系复杂、需要多跳推理。