温馨提示

本分享为系列知识分享，预期分为三节：

• GraphRAG是什么
• GraphRAG详细工作原理
• 微软GraphRAG 代码实战

本分享为第一小节 GraphRAG是什么， 大家读完感兴趣可订阅专栏，掌握GraphRAG的技术核心与实战指南~

前言

在人工智能大模型技术蓬勃发展的时代，对于大语言模型而言，知识就是能力，用于增加大模型知识范畴的RAG（检索增强生成）技术是当代大模型应用的核心技术之一。 RAG技术通过合理的挂载外部知识库，提供给大模型更大范围更精确的问答选题。

尽管现在RAG系统性能相比最初版本已经取得极大提升，但大家在使用过程中还是会发现很多局限：

1. 检索精度随着文本长度增加而降低；

2. 匹配度较低的问题

   无法进行精确问答；

3. 围绕长文本的综合性问题无法进行有效回答；

4. 跨文本段实体信息

   无法回答…

虽然笔者在工作实践中已经总结出很多RAG的提升技巧，预计提升现有系统20%准确率），但还是有很多RAG框架本身存在例如长文本综合性问题等局限，出现无法有效回答用户问题的情况。

2024年12月底微软提出的GraphRAG改进了RAG系统的底层架构，借助知识图谱的能力显著提升了RAG系统的回答准确率，被大家广泛关注~

一、GraphRAG与传统RAG异同

1.1 GraphRAG 发展历史

传统RAG检索精确度受限于文本长度，对于长文本综合性问题回答准确率低，各界一直都在积极探索RAG的改进方向，微软在RAG演进道路上走在了前列：

• 2024年2月，微软研究院的一篇博客提出了GraphRAG基本思路。
• 2024年4月，同样由微软研究院发表相关论文《From Local to Global: A Graph RAG Approach to Query-Focused Summarization》， 学术角度论证了GraphRAG有效性。
• 2024年6月，微软正式发布GraphRAG项目
• 2024年11月初，微软优化了GraphRAG的搜索代码，引入了Drift_search 动态搜索，这就是目前GraphRAG的基本框架。

1.2 GraphRAG 改进手段

传统的RAG引擎先围绕文本进行分片切分为短文本块，再围绕短文本块的内容与用户问题进行匹配，匹配完之后再把短文本的段落通过提示词代入到大模型中进行回答。

GraphRAG与传统RAG不同，它有一个非常长的处理流程，首先会通过大模型把用户的原始输入处理成一个巨大的知识图谱，然后基于当前巨大的知识图谱预提取出几个核心的主题。当用户提问之后，整个的GraphRAG就会把用户的问题与当前知识图谱里面的主题和实体进行一个匹配，根据主题和实体之间的关系去寻找相关的文本段落，最后再通过提示词把相关文本段落代入到大模型之中完成回答。知识图谱可以让大模型全面分析整个文档内容，通过实体间关联关系将分散在通篇文章的文本块集合起来解决传统RAG的跨文本段效果变差的问题。

总体来说，GraphRag和传统RAG最大的区别就是GraphRAG会预构建基于当前文档的知识图谱，检索的过程也是依据当前的知识图谱，可以更全面更有逻辑性的了解当前内容。

1.3 GraphRAG 检索特点

与传统RAG相比，GraphRAG检索具有如下特点：

• 高精度高消耗（构建知识图谱要消耗大量模型token)
• 受模型底层性能影响较大
• 灵活度较高，受知识图谱构建策略影响较大

总体来说GraphRAG对模型的性能要求会比较高，微软刚推出GraphRAG的时候曾称只有GPT-3.5/4模型可以完美满足GraphRAG图谱构建需求。然而随着DeepSeek、Qwen、Gemini、Claude一系列强大的基座模型的发布，困扰GraphRAG的模型性能瓶颈几乎被消除。

二、GraphRAG与传统RAG 性能对比

大家了解了GraphRAG的基本原理之后，我们通过实际案例评测对比GraphRAG与传统RAG的性能，带大家直观感受GraphRAG的强大之处。本次实验使用RagFlow作为传统RAG框架，使用微软github GraphRAG项目（ https://github.com/microsoft/graphrag ）作为GraphRAG框架。本次实验使用的知识库数据是包含代码、文字、图片、代码运行结果的600+页 《经典机器学习》pdf书籍。

2.1 小范围针对性问题

首先提问传统RAG两个小范围、答案集中在文档某一部分的问题：

问：请帮我介绍下K-Means快速聚类基本原理

答： K-Means快速聚类是一种基于距离的聚类算法，其基本原理是将数据集中的点划分为K个簇，使得每个点都尽可能靠近其所属簇的中心点。以下是K-Means快速聚类的基本原理和执行流程:K-Means快速聚类原理..

问:请帮我介绍下Lesson 8.3总共介绍了几种决策树算法?

答:文档中介绍了以下几种决策树算法:ID3算法、C4.5算法、C5.0算法。文档明确提到了这三种算法，并详细描述了它们的背景、特点和关系。

可以看到对于回答集中在文档某一部分的问题，传统RAG的回答效果还是不错的，然而面对下一个测评，传统RAG架构就完全应付不了了。

2.2 大范围低匹配度问题

当你去提问大范围综合性质的问题时，传统RAG因为没有检索到完全匹配的段落，会产生很弱智的回答：

问:你觉得该书籍质量如何?

答:文档中并未直接提及书籍的质量。因此，该信息不是来自文档。根据文档内容，我们可以了解到书籍内容涵盖了机器学习的基本概念、建模流程以及线性回归模型的训练，但并未包含对书籍质量的评价。

我们再尝试一个:

Q:现在你的知识库里面的内容是《经典机器学习》书籍，其中总共介绍了多少种机器学习算法?

A:文档中没有明确介绍具体的机器学习算法种类数量。文档内容主要围绕机器学习的基本概念和建模流程展开，并没有列举或介绍具体的算法。因此，无法从提供的文档内容中确定介绍了多少种机器学习算法。

产生如上情况的原因就是没有任何一个段落的文档里面有明确提出：“该书籍总共介绍多少种机器学习算法的描述”, 传统RAG对于没有明确表述文本块的内容回答完全不正确。

传统RAG效果不好，我们看看GraphRAG在低匹配度下的问答效果。

问:现在你的知识库里面的内容是《经典机器学习》书籍，其中总共介绍了多少种机器学习算法?

答:资料中介绍了以下几种机器学习算法:K-Means聚类(包括K-Means和Mini Batch KMeans)

DBSCAN密度聚类线性回归...

相比于传统RAG, GraphRAG不仅直接回答了问题的内容，还能从上下文中提取相关信息进行补充，提升回答的全面性。

三、总结

本篇分享向大家介绍了GraphRAG的基本原理，同时通过实际的案例评测直观感受了GraphRAG的能力。GraphRAG可以通过知识图谱提供更多的上下文支持，即使匹配度较低问题也能总结全文完成回答。GraphRAG在多样性上的表现优于传统的RAG，知识图谱的能力对于需要多元视角的复杂问题尤为重要。

GraphRAG的基本原理我们已经掌握，但为了更好的学习应用GraphRAG框架，我们更应该知道GraphRAG知识图谱构建以及索引查询的详细步骤，这部分内容放到我们下篇分享。

大模型算是目前当之无愧最火的一个方向了，算是新时代的风口！有小伙伴觉得，作为新领域、新方向人才需求必然相当大，与之相应的人才缺乏、人才竞争自然也会更少，那转行去做大模型是不是一个更好的选择呢？是不是更好就业呢？是不是就暂时能抵抗35岁中年危机呢？

答案当然是这样，大模型必然是新风口！

那如何学习大模型 ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。但是具体到个人，只能说是：

最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

但现在很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习路线完善出来！

在这个版本当中：

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型路线+学习教程已经给大家整理并打包分享出来, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全咨料，放心领取）👈

​

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、大模型系列视频教程（免费分享）

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全资料，放心领取）👈

​