上一篇的三路混合检索解决的是「找片段」问题。但有一类问题天生不是找片段:「这批年度报告里的主流技术叙事是什么」「这套系统文档的核心设计决策有哪些」「全量工单反映出哪五类系统性缺陷」。答案不在任何单一段落里,而在整个文档集合的关系结构里。普通 RAG 召回 top-k 片段,注定只能给你局部——因为它的隐含假设是「答案存在于某个片段中」,而全局问题的答案是「所有片段的联合」。GraphRAG 是微软给出的答案:先把文档变成图,再把图组织成层级摘要,查询时在摘要层做 map-reduce。

全局问题为什么难
全局摘要型问题(sense-making questions)的难点是双重挤压。向下看,答案需要的证据分散在全语料,可能有几千个片段都「沾一点边」,而向量检索的 top-k 天然偏向与 query 字面相似的片段——全局问题的答案片段与 query 的相似度往往很低,召回根本到不了位。向上看,即使用超大上下文把几千个片段全塞进去,LLM 面对长列表式上下文做全局归纳的效果也会明显衰减,且成本高到不可行。
解法只能换范式:不在查询时现拼全局,而在索引时预先把语料组织成「可全局导航」的语义结构。这正是 GraphRAG 论文(arXiv 2404.16130,2024)的出发点,开源仓库 microsoft/graphrag。
用一个具体场景把问题钉死:法律团队要对过去三年的四百份采购合同回答「我们的付款条款有哪几类不利于甲方的模式」。向量检索召回的是「付款」一词密度最高的片段,但答案的「模式」分布在几乎每一份合同里,top-k 召回在结构上就答不全;把四百份合同全文塞给模型又超窗。问题的本质是:全局问题的证据集合不是「相似的片段」,而是「全部片段」——任何基于片段排序的方案在这里都先天不足。
GraphRAG 四步管线
第一步:LLM 实体关系抽取
对语料分块后,每个文本块调用一次 LLM,抽取实体、关系与主张(claim)。同一实体在不同块里的零散描述,会在后续步骤汇总成实体级摘要。索引成本的大头就在这一步——语料有多少块,就有多少次 LLM 调用,且用的是强模型。
工程细节上,这一步要求模型对每个块输出实体名、类型、描述与关系对,同一实体跨块出现时靠全局唯一标识归并。这个「跨块归并」环节的质量决定图的连通性:归并做不好,得到的不是一张图,而是一堆互不相连的小岛,后续社区检测无从谈起。
第二步:Leiden 社区检测
把实体关系图交给 Leiden 算法做层次化社区发现:大社区下套小社区,社区层级天然对应主题粒度——顶层社区是「大主题」,底层社区是「具体话题」。这一步是纯图算法,不用 LLM,成本可忽略。选 Leiden 而非普通聚类的理由是它的层级稳定性:社区划分保证内部连通、层级之间可复算,这让「摘要树」成为可维护的结构而不是一次性的聚类产物。
第三步:社区摘要预生成
对每个社区,LLM 把成员实体与关系汇总成一段摘要;层级社区逐层做,形成一棵「摘要树」。这是索引期的第二大成本项:社区数有多少,摘要就要生成多少份,每个层级都不省。
摘要的写法有两条路线:偏「要点罗列」的结构化摘要(社区内实体与关系清单)与偏「主题叙述」的自然语言摘要(这个社区在讲什么)。摘要树越靠上层越偏主题化——这也解释了为什么 global search 在高层摘要上聚合的效果最好:高层的摘要本身就是为主题级问题准备的。
第四步:map-reduce 全局问答
查询时把(相关层级的)所有社区摘要分发给 map 阶段:每份摘要独立产出一个局部回答与要点清单;reduce 阶段把局部回答汇总成全局答案。因为摘要是预生成的,查询期的 LLM 调用集中在摘要层而非原始语料层,数量可控。
reduce 之前的中间产物值得保留:map 阶段每个局部回答附带「要点与相关社区名」,最终答案的每个论断都能回溯到社区摘要——证据链思想在 GraphRAG 里同样存在,只是链条的另一端从原文块换成了社区摘要。
小结:GraphRAG 的本质是把「理解一批文档」的成本从查询时挪到索引时——四步管线里第一、三步烧钱,第二、四步便宜。
local search 与 global search 的分工
GraphRAG 提供两种查询模式,对应两类问题。local search 面向具体实体问题:「A 供应商的关联公司有哪些」「B 项目的风险点是什么」——从命中实体出发,带出邻居关系与相关文本块,答案锚定在具体事实上。global search 面向全局主题问题:「这批文档的主题是什么」「各来源对 X 的立场分布如何」——在社区摘要层跑 map-reduce,答案覆盖全局。
选型时先判断问题落在哪一类,答错类别会两头不舒服:用 global 回答具体实体问题,贵而空泛(摘要层没有那个实体);用 local 回答全局问题,只见树木(单实体邻域拼不出全局图景)。工程上常见「先路由再检索」:一个轻量分类步骤判断问题类型,再分发给对应模式。举一个分工示例:「A 公司 2024 年与哪些高校有合作」走 local——命中实体后扩展合作关系即可作答;「这批新闻稿反映出公司技术战略的哪些转向」走 global——任何单篇都答不了,必须在摘要层汇总。路由可以由模型学,也可以在产品层显式分成两个入口,后者更可控。
LazyGraphRAG:把索引成本推迟到查询时
完整 GraphRAG 最大的落地阻力是索引账单:逐块强模型抽取加逐社区摘要,大语料上是一笔可观的预付成本。2024 年 11 月微软发布的 LazyGraphRAG 给出了另一条路。官方博客的说法是:索引期只做便宜的 NLP 抽取(NER 加关系图),完全跳过 LLM 摘要,索引成本与向量 RAG 相当——约为完整 GraphRAG 的 0.1%;查询时才动用 LLM,对与 query 相关的社区做摘要并按预算逐步升级,预算越高质量越高。
本质是把「预付制」改成「按需付费」。两类场景各有胜负手:语料巨大但查询稀疏(文档库建好之后偶尔问一次)选 LazyGraphRAG,省下 99.9% 的索引费;语料稳定且全局问题密集(团队天天对同一批文档做全局提问)选完整 GraphRAG——摘要成本被大量查询摊薄后反而划算。没有绝对的赢家,账要按查询频次算。
LazyGraphRAG 的查询期机制值得细看:先用便宜的手段(NLP 抽出的图加向量相似)圈定与 query 相关的社区,再用 LLM 对这些社区现做摘要并产出部分答案,然后按预算决定是否升级到更大范围的 map-reduce。质量随预算平滑爬坡是它的核心卖点——低预算先拿八十分答案,重要问题再追加预算;代价是每次全局查询都要付摘要钱,查询一密集就失去优势。
本体化 GraphRAG
GraphRAG 默认的抽取是无类型约束的自由发挥,工程化改造有三个方向,本体在这里逐一进场。
- 实体类型约束抽取:prompt 里带本体类型枚举与领域 few-shot,抽出的实体必须挂到已有类型上。抽取质量更稳、图更干净、下游社区更可解释——这是系列文章一贯的主题:约束换取可复用性。
- 社区语义对齐:Leiden 按图结构聚类,结果未必与业务模块对齐。可以在社区与本体层级之间建立映射,让摘要粒度对齐业务视角。本文作者推测:对多数业务语料,「本体模块优先、Leiden 结构微调」比纯数据驱动更可控,因为业务方最终要用业务语言消费这些摘要。
- 增量更新的痛点:图变了,社区划分与社区摘要都要重算——这是 GraphRAG 类方案最现实的运维成本。缓解思路有三:限制重算范围(只重算受影响子图所在的社区)、接受摘要短暂滞后(摘要版本与图版本解耦)、或干脆用查询时摘要(LazyGraphRAG 路线)回避预生成。截至 2026-11,增量社区更新仍是社区活跃讨论的工程问题,没有公认的最优解。
类型约束抽取还有一笔运维红利:本体类型枚举天然是抽取质量的「回归测试面」——每次换模型或升级 prompt,跑一遍金标文档,按类型统计实体识别率与关系抽取率,退化立现。这与第 7 篇的灌库回归评估是同一套方法,本体在这里成了质量度量坐标系。
与传统 RAG 的选型对比
| 维度 | 传统 RAG(向量为主) | GraphRAG global | LazyGraphRAG |
|---|---|---|---|
| 问题类型 | 局部片段问答 | 全局主题与摘要 | 全局主题(按需升级) |
| 索引成本 | 低(仅 embedding) | 高(逐块抽取加逐社区摘要) | 低(仅 NLP 抽取) |
| 查询延迟 | 低 | 中高(map-reduce 多轮调用) | 中高(查询时现做摘要) |
| 结构化跳转 | 无 | 有(实体图与社区层级) | 有(实体图) |
| 适用场景 | 高频日常问答 | 语料稳定且全局问题密集 | 语料巨大且查询稀疏 |
这张表的用法是先问自己两个问题:你的问题类型里全局摘要占多少?你的查询频次撑不撑得起预付索引?两个答案就锁定一列。
落地建议按三步走:先用传统 RAG 打底(它的成本与延迟基线最好),统计 query 日志里全局摘要型问题的占比,占比超过两成再考虑上 GraphRAG;上的时候先在本体约束下跑小语料试点,验证社区摘要的业务可读性,再扩量;扩展过程中把「增量重算范围」作为第一优先级的运维指标盯住,别让索引账单变成意外。
小结:GraphRAG 不是「更好的 RAG」,而是「另一种问题的 RAG」——它把检索的终点从片段升级为结构化的全局理解;本体的位置是约束抽取、锚定语义、让社区摘要与业务语言对齐,让这棵摘要树不只是图的副产品,而是领域知识的目录。
参考资料
- From Local to Global: A Graph RAG Approach to Query-Focused Summarization(arXiv 2404.16130) —— GraphRAG 原论文:四步管线、local 与 global search、map-reduce 全局问答。
- LazyGraphRAG: Setting a new standard for quality and cost(Microsoft Research Blog) —— LazyGraphRAG 官方公告:索引成本约为完整 GraphRAG 的 0.1% 与按预算升级机制。
- GraphRAG 官方文档:索引方法 —— 逐块实体抽取与实体摘要的官方流程说明。
- Project GraphRAG(Microsoft Research) —— GraphRAG 项目主页,含 LazyGraphRAG 的设计动机说明。
读者留言
COMMENTS 暂无还没有留言,来说第一句?