图（Graph）能够编码大量的异构和关系信息，非常契合众多现实世界应用。将 Graph 与 RAG（检索增强生成）结合获得了越来越多的关注。2025 年初，由 Michigan State University（MSU）与 Meta、Amazon、Adobe 等机构联合发布了 GraphRAG 最新技术综述，系统梳理了该领域的架构与进展。
与传统的 RAG 不同，GraphRAG 的检索器和生成器设计具有特殊性。图结构数据的独特性为不同领域的 GraphRAG 设计带来了独特的挑战，因此需要一个全面的综述来指导实践。
RAG 与 GraphRAG 之间的区别
RAG 主要处理文本和图像数据，这些数据通常可以统一格式化为 1D 序列或 2D 网格，往往不包含显式的关系信息。相比之下，GraphRAG 处理图结构数据，涵盖了多种格式并包含特定领域的关系信息，能够更精准地捕捉实体间的关联。
通过定义 GraphRAG 的关键组件，包括查询处理器、检索器、组织者、生成器和数据源，研究提出了一个完整的 GraphRAG 框架。此外，还回顾了针对每个领域（Knowledge、Document、Social、Tabular、Reasoning 等）独特定制的 GraphRAG 技术。
全面的 GraphRAG 框架
提出的全面 GraphRAG 框架旨在通过检索和生成技术来增强下游任务的执行。这个框架的核心在于利用图结构数据的特性，以提高信息检索、数据挖掘和机器学习任务的性能。
GraphRAG 框架的关键组件
1. 查询处理器 (Query Processor)
在 GraphRAG 框架中，Query Processor 是一个关键组件，它负责对用户输入的查询进行预处理，以便与图数据源进行交互。
主要功能：
- 实体识别 (Entity Recognition)：从查询中识别出实体，并将其与图数据源中的节点相匹配。技术包括基于规则的方法、无监督学习方法、基于特征的监督学习方法和深度学习方法。例如 EntityLinker 和基于 LLM 的提取，能够识别查询中的实体类型，进一步指导检索器识别匹配类型的节点。
- 关系抽取 (Relational Extraction)：从查询中识别关系，并将其与图数据源中的边相匹配。技术包括文本表示、上下文编码和三元组预测。在 GraphRAG 中的应用主要用于构建图数据源和匹配查询中的关系，以指导图搜索。
- 查询结构调整 (Query Structuration)：将自然语言查询转换为结构化查询，如 GQL（Graph Query Language）。利用预训练和微调的 LLM 生成结构化查询。示例包括 Cypher、GraphQL 和 SPARQL 等工具，用于与属性图数据库进行复杂交互。
- 查询分解 (Query Decomposition)：将复杂的查询分解为多个子查询，以便进行多步推理。构建问题图，其中每个子查询表示为图中的三元组。Park 等人通过构建问题图来增强查询分解，提高多步推理和规划任务的性能。
- 查询扩展 (Query Expansion)：通过添加相关术语来丰富查询，以提高检索的准确性和相关性。包括基于 LLM 的查询扩展，利用图中提到的实体的邻居节点来扩展查询。Xia 等人通过利用图中提到的实体的邻居节点来扩展查询，Wang 等人通过预定义模板将查询转换为多个子查询。
2. 检索器 (Retriever)
在 GraphRAG 框架中，检索器是负责从图数据源中检索相关信息的关键组件。
主要功能：
- 检索内容：根据预处理后的查询从图数据源中检索相关内容。
- ：能够处理图结构数据的多样性和复杂性，包括不同格式和来源的信息。
