大模型知识图谱GraphRAG才是未来？ 原创 精华

在大模型浪潮中，知识图谱与RAG的结合（GraphRAG）正展现出超越传统扁平化RAG的巨大潜力，它很可能代表着未来的发展方向。

一、传统 RAG

传统RAG是一个拥有优秀记忆，但缺乏逻辑的助手，它将文档切分成片段，为每个片段创建向量索引。当用户提问时，它通过语义相似度检索出最相关的几个片段，然后交给大模型生成答案。它的核心局限在于：

1. “碎片化”理解：文档被切分后，篇章级的逻辑结构、实体间的深层次关系随之丢失。它能看到“树木”，却难以看清“森林”。
2. 无法进行复杂推理：对于需要串联多个知识点的问题，传统RAG显得力不从心。

• 示例问题：“公司去年在亚太区的业务增长，主要受到了哪些政策的影响？”
• 传统RAG的困境：它可能分别检索到“亚太区业务增长”的段落和“某项政策”的段落，但由于检索是独立的，它很难自动建立两者之间的因果关联，除非原文明确同时提到了这两者。

3. 对长上下文和多跳问题效果不佳：对于需要联系文档前后来回推理（多跳推理）的问题，传统RAG的检索机制很容易中断推理链。

传统 RAG 技术在某些场景下，可能存在以下几个问题，即使使用高级 RAG 方法通常也较难克服。

1. 效率问题：基于向量的搜索方法采用数学方法，如聚类，树形结构或 HNSW 等近似最近邻算法，这些方法在处理极高维度数据，或非常复杂的信息结构时效果不好。另外，ANN 搜索算法如 HNSW 虽然可以提高效率，但构建和维护索引通常需要大量的计算资源。

2. 可解释性：文本 Embedding 后的向量，可解释性很低。RAG 检索后得到的向量只关注文本的片段，而表示文本片段的向量是数字数组，没有直接的可解释性，无法通过观察向量中的具体数字理解文本内容。

3. 整体理解受限：RAG 检索到的内容（向量块）虽然来自数据库中所包含的文档，但这些内容相关的上下文却不一定包含在答案中，导致其无法对问题、答案以及文档形成整体理解。

4. 数值与文本：基于向量的检索，同时处理包含文本和数字的数据时准确度不高。向量数据库中，文本和数值型数据的特征和表示方法不同，系统会在处理中混淆这两种类型的数据（文本经过 Embedding 转化为向量，而数值型数据则可能直接使用或经过标准化后使用）。

5.工程挑战：RAG 系统涉及包含检索、排序、生成等多个组件，确保各组件之间的数据无碍传输、接口统一，以及如何高效地集成和优化这些组件，是一个巨大的工程挑战。

二、Graph RAG

1. Knowledge Graph

GraphRAG是一个既博学又善思的专家，先利用大模型从非结构化数据中抽取知识，构建一个结构化的知识图谱，然后基于这个图谱进行检索和推理。它通常包含两个阶段：

阶段一：知识图谱构建

• 使用大模型从整个文档库中系统性地抽取实体、关系和属性，构建一个富含语义的图结构。
• 例如：从公司报告中抽取​​(公司A)-[收购]->(公司B)​​、​​(政策C)-[促进]->(行业D)​​ 这样的三元组。

阶段二：图谱增强的检索与生成

• 当用户提问时，系统不是去搜索文本片段，而是在知识图谱上进行查询、遍历和推理，找到相关的子图或路径，再将这个结构化的信息与大模型强大的生成能力结合，产出答案

Graph RAG 是一个用来表示实体及其相互关系的结构化图形数据模型。在 Graph 中，节点（Nodes） 代表实体如人、地点、事件等；边（Edges）则代表这些实体之间的关系，（如人物关系、地理位置等）。

2. 知识的两种表示方法：Vectors & Graphs

从人的视角，向量的视角，以及 Graph 的视角，来看一个“苹果：人对“苹果”的理解是复杂的，并非仅从字面捕捉。我们的大脑会为这个苹果赋予想象，从而产生一种果香诱人、甜美可口之感。这是“苹果”这个词在人类感知与概念上的结合体。

向量“苹果”的表示则是一组数字，这组数字以编码的形式表征了相应文本的一部分意义。在 RAG 过程中，这组数字通过一次计算，识别其与另一组向量的相似度。但是，如前所述，人类几乎无法理解这组向量内部每个数字所代表的内容；从这组数字尝试理解其上下文，或将其融入更长的文本中显然也无能为力。

知识图谱“苹果”的表示则是“declarative”（声明式的)，用 AI 的术语来讲，是 symbolic（符号化）的。对人类来说， 知识图谱的表示方式直观，使用自然语言标签和关系，人类可以轻松理解其中的内容，比如我们上边的几张图。对于机器来说， 符号化表示的形式化和标准化特性，易于机器进行解析，并能进行逻辑和算法推理。

3. Graph RAG 运行模式

GraphRAG 本质上就是 RAG，只不过与一般 RAG 相比，其检索路径上多了一个知识图谱。GraphRAG 与 RAG 的基本架构也相同，区别在于其数据库中，同时存储了结构化的知识图谱数据和文本 Embedding 后的向量数据。

三、GraphRAG 的优势

1. 真正的深度推理能力

• 知识图谱天然地存储了关系。对于问题“政策C如何间接影响了公司A的股价？”，GraphRAG可以通过图谱路径​​政策C -> 促进 -> 行业D -> 包含 -> 公司B -> 竞争 -> 公司A​​ 发现间接影响，并进行推理。这是传统RAG难以做到的。

2. 全局视角与知识融合

• 图谱整合了散落在文档各处的知识。它能理解一个实体（如一个产品、一个人物）在整个文档中的全貌和所有关联，避免了传统RAG在不同片段中获取矛盾或片面信息的问题。

3. 高效处理复杂查询

• 对于多跳查询、聚合查询（如“列出所有与我们有合作关系的初创公司的CEO”），在图谱上进行查询比在向量空间中搜索要高效、精确得多。

4. 可解释性更强

• 传统RAG返回的答案，其来源是几段文本，逻辑需要用户自己梳理。而GraphRAG可以直接展示出推导出答案的知识子图，让答案的推理过程一目了然，极大地增强了可信度。

与 传统 RAG 相比，GraphRAG 还有几方面的特点

1、准确性与可用性

 GraphRAG 能显著提高 RAG 环节中的“检索”性能，可以在检索的上下文中填充更高相关性的内容，最终产生更准确的回答与原始索引。同时，GraphRAG 与替代方法相比，所需要的 Token 数量减少了 26% 至 97%，因此其在提供答案方面不仅准确度高，而且成本也更低。

2、提升数据价值，加快产品迭代速度

由于知识图谱在概念和视觉上都比较直观，因此尝试从知识图谱的角度理解数据，会对数据产品新的洞察。图谱能生动地展现应用底层的数据情况。另外，图谱提供了能追溯到原始答案的“钩子”，可以沿着这些“钩子”组合而成的因果链追踪这些数据。

对于 LLMs 应用，图谱中独立的数据块能保留其价值，同时展现出的数据结构本身就能存储并传递额外意义，可通过这些为应用程序增加更多智能。比如 LlamaIndex 最近展示的一个图，阐释了其通过“MENTIONS”将词汇图和域图进行了关联：

3、可解释性及安全性

大语言模型缺乏可解释性，因此基于 LLMs 的应用很难在决策层面提供信任。但知识图谱则完全不同，知识图谱的数据可导航，查询、并能随时修正和更新。

在数据质量方面，将数据置于知识图谱中，更容易发现数据中的错误并进行溯源：并不仅能在计算中使用，还能在解释中加以利用。而这一点在数据的向量表示中是根本无法实现的。在数据隐私方面，Graph RAG 可以通过分析图结构中应用的访问模式和路径，检测异常行为并及时响应。

从安全性角度来说，GraphRAG 可以通过图结构，自然地表示和管理复杂的关系，包括用户、角色、权限、资源之间的多对多关系；并且能通过图的节点和边的属性与标签，实现更细粒度的权限管理和动态调整。下图是一个简单的安全策略示意，可以在具备细粒度访问控制的知识图谱中实现：

GraphRAG解决的是“深度”和“智能”问题。它代表了大模型应用从 “基于记忆的对话” 向 “基于知识的推理” 的范式转变。随着自动化构建图谱技术的成熟和成本的降低，GraphRAG必将成为处理复杂企业知识、驱动智能决策系统的核心基础设施。

因此，说 “大模型时代，知识图谱GraphRAG才是未来”，并非言过其实，而是对技术演进方向的深刻洞察。它并非要完全取代传统RAG，而是在需要深度理解和推理的场景中，提供了一个更强大、更根本的解决方案。

本文转载自​​​​​​数智飞轮​​​  作者：蓝田