GraphRAG：基于知识图谱的检索增强生成技术详解与实战
什么是 GraphRAG？
GraphRAG 是微软开源的一项结合了知识图谱的检索增强生成（RAG）技术。它旨在显著提升 AI 知识库的性能，使 AI 能够根据提供的文档，更准确地回答复杂问题。
传统的 RAG 系统通常将文档切分为文本块（Chunks），基于向量相似度进行检索。这种方法在处理简单事实查询时表现良好，但在面对需要综合全局信息或理解实体间复杂关系的查询时，往往显得力不从心。
为什么需要 GraphRAG？
传统 RAG 存在以下主要局限性：
- 无法有效捕捉实体之间的复杂关系和层次结构：向量检索主要关注语义相似性，难以显式表达'谁是谁的父亲'、'哪个部门负责什么'等结构化关系。
- 上下文窗口限制：通常只能检索固定数量的、最相关的文本块，容易丢失长文档中的关键背景信息。
GraphRAG 通过构建知识图谱解决了这些问题。在对数据集建立索引时，它会执行两个核心步骤：
- 提取实体（Entity Extraction）：识别文档中的人名、地名、组织等关键概念。
- 提取关系（Relationship Extraction）：分析实体之间的交互和关联。
这些实体成为图谱中的节点，关系成为边，从而形成一张庞大的知识网络。这种全局性的视图让模型能够把握复杂的、细微的数据关系，从而提升回答的精确度和深度。
如何使用 GraphRAG？
1. 环境准备与安装
GraphRAG 基于 Python 开发，首先需要确保已安装 Python 环境。
pip install graphrag
安装过程可能涉及较多依赖包，请耐心等待下载完成。
2. 项目初始化
创建工作目录并放入待处理的文档。目前支持 .txt 和 .csv 格式。
mkdir -p ./ragtest/input
将文档放入 input 文件夹。官方示例提供了查尔斯·狄更斯的《圣诞颂歌》：
curl https://www.gutenberg.org/cache/epub/24022/pg24022.txt -o ./ragtest/input/book.txt
注意：使用云厂商的大模型 API（如 OpenAI）处理大型文档可能会产生较高的 Token 费用，建议先在小规模数据上测试成本。
3. 配置项目参数
运行初始化命令生成配置文件：
graphrag init --root ./ragtest
生成的目录中将包含两个关键配置文件：
.env：在此填入 API Key（如 OpenAI API Key）。settings.yaml：用于配置编码、嵌入模型（Embedding）、大语言模型（LLM）及其他参数。如果使用本地部署的大模型，需在此处指定相应的连接地址和模型名称。
4. 创建索引
索引构建是 GraphRAG 的核心步骤，它将非结构化文本转化为知识图谱。
graphrag index --root ./ragtest
此过程耗时较长，具体取决于文档大小和硬件性能。系统会提取实体、关系并生成社区摘要。
