30秒快速回答： GraphRAG = Graph（知识图谱）+ RAG（检索增强生成）。传统 RAG 是把文档切块后做相似度检索，但遇到”张三是李四的上司，李四管哪个部门？”这种需要推理关系的问题就抓瞎。GraphRAG 先自动从文档中提取实体和关系，构建一个知识图谱，然后用社区检测算法做结构化检索——既能回答”点在哪儿”的精确问题，也能做”全局摘要”式的宏观总结。
一、定义：RAG vs GraphRAG
传统 RAG 的局限
| 问题 | 原因 |
|---|---|
| 多跳推理失败 | “A → B → C” 的关联跨越多个文档块 |
| 全局理解缺失 | 只能看局部片段，无法总结”整个数据集在说什么” |
| 冗余与矛盾 | 不同来源的冲突信息无法消解 |
GraphRAG 的思路
把文档库转化为知识图谱：实体为节点，关系为边。检索不再只靠向量相似度，而是走图遍历、社区检索等多维路径。
二、原理：GraphRAG 怎么工作？
1. 核心流程（微软 GraphRAG）
阶段一：图构建
文档 → LLM 提取实体+关系 → 知识图谱（节点+边）
→ 社区检测（Leiden 算法）→ 生成社区摘要
阶段二：检索模式
┌─ Local Search（本地搜索）：在某实体附近遍历图
├─ Global Search（全局搜索）：查询社区摘要，做宏观回答
└─ Drift Search（漂移搜索）：动态在图上游走扩展上下文
2. 社区检测的作用
把大图自动切分为紧密关联的社区（Community），每个社区生成一份摘要。当用户问宽泛问题时（”这个数据库整体讲了什么？”），直接检索社区摘要而非逐块匹配。
3. 与传统 RAG 的对比
| 维度 | 传统 RAG | GraphRAG |
|---|---|---|
| 检索单位 | 文档块 | 图节点/社区 |
| 多跳推理 | 弱 | 强 |
| 全局总结 | 不支持 | 原生支持 |
| 构建成本 | 低 | 较高（需 LLM 提取） |
| 适合场景 | 事实查询 | 分析/综述/关联 |
三、实操：快速上手 GraphRAG
步骤 1：安装
pip install graphrag
mkdir -p ./ragtest/input
步骤 2：放入文档
将你的 TXT/PDF/Markdown 文档放到 ragtest/input/ 目录。
步骤 3：初始化并配置
graphrag init --root ./ragtest
# 编辑 settings.yaml，填入 API Key
步骤 4：构建索引
graphrag index --root ./ragtest
# 会自动：分块 → 实体提取 → 图构建 → 社区检测 → 摘要生成
步骤 5：查询
# 全局查询
graphrag query --root ./ragtest --method global \
--query "这个数据集的核心主题是什么？"
# 本地查询
graphrag query --root ./ragtest --method local \
--query "张三和李四是什么关系？"
四、工具推荐表
| 工具 | 用途 | 价格 | 亮点 |
|---|---|---|---|
| msgraphrag | 微软官方 | 开源免费 | 社区检测 |
| Neo4j + LLM | 图数据库方案 | 有免费版 | 灵活可定制 |
| LangChain Graph | 图集成 | 开源免费 | 生态完善 |
| LlamaIndex KG | 知识图谱索引 | 开源免费 | 上手快 |
| LightRAG | 轻量方案 | 开源免费 | 构建快 |
五、FAQ 常见问题
Q1：GraphRAG 比传统 RAG 一定更好吗？ 不是。简单事实查询（”合同金额是多少”）传统 RAG 更快更准。分析类、全局类、关联类任务 GraphRAG 有明显优势。
Q2：构建索引成本高吗？ 高。每篇文档都要调 LLM 提取实体关系，大文档库成本不低。建议先用传统 RAG 做基础检索，再针对分析型场景引入 GraphRAG。
Q3：适合哪些场景？ 企业知识库全局分析、科研文献综述、法律案例关联、金融研报解读。
Q4：和知识图谱本体（Ontology）有什么区别？ 传统知识图谱是人工定义的 schema，GraphRAG 的图谱是 LLM 自动提取的，更灵活但结构化程度更低。
Q5：中文支持好吗？ GraphRAG 默认用 GPT 系列，中文实体提取效果取决于模型。用 DeepSeek、通义千问等国产模型也能跑。
延伸阅读：什么是 AI 搜索？ 了解 AI 搜索的基础——RAG 技术全貌。