引言
检索增强生成（RAG）主要目的是为了大模型引入外部知识，减少大模型幻觉，是目前大模型应用开发中必不可少的技术之一。但是传统RAG主要是通过语义相似度在向量空间中进行检索，无法捕获数据库中数据点之间的依赖关系。
为此，GraphRAG应运而生。本文将详细介绍传统RAG技术、GraphRAG技术、两者之间的优缺点以及如何将两者结合使用。本文结构安排：
传统RAG技术
RAG是 “检索增强生成（Retrieval Augmented Generation）” 的缩写。我们先聚焦于第一个词：检索。即首先检索相关上下文信息，是让大语言模型（LLM）基于特定上下文进行回答的第一步。
检索上下文有很多种方式，但目前最常见的方式是对给定数据集执行语义搜索（也称向量搜索）。这就引出了“朴素 RAG（Naive RAG）”这一术语，它是一种最基础的问题回答系统，其检索完全依赖向量搜索。
传统RAG技术介绍
在大多数 RAG 系统中，“R”（即 Retrieval，检索）指的就是向量搜索。通过使用Embedding模型将用户查询和数据进行向量化，然后通过语义相似度提取出最相关的信息。这通常需要借助向量数据库实现。
由于朴素RAG的非常适合为查询请求进行检索相关上下文，并将其作为LLM生成回答的依据。用于朴素RAG的数据集通常包括一系列“文本”字段，每条文本都生成一个嵌入向量，如下图所示：需要注意的是，这里的每条数据都是独立的，每条都有其可以表示为向量的语义意义。因此，朴素RAG能访问的信息只是这些独立向量本身。这种方式只能表示出向量空间中的语义接近程度，并不能体现出数据之间的关系。
举个例子：假设我们有一个包含多个（虚构）合同的数据集（如合作、雇佣等），每份合同都包含contract_text、author和contract_type字段。我们对每份合同进行向量化，让每份合同有一个代表其语义的向量。当我们就这些数据提出问题时，朴素RAG就能很好地检索出最相关的合同：
传统RAG的局限性
在大多数检索任务中，数据之间的“关系”可能并不那么重要。但以合同为例，如果能编码合同之间的关系，将会非常有价值。例如，对于检索到的某份合同，我们可以知道它的作者，但并不知道作者是否还签署过其它合同。这时，我们就该进入Graph RAG的世界了。
GraphRAG技术
GraphRAG是一个总称，泛指所有在检索阶段利用知识图谱的RAG方法。不同的方法各有不同的实现方式，核心思想是通过图结构来提升 LLM 的检索效果。其中，微软提出的GraphRAG 实现是目前最受欢迎的方法之一，其流程图如下所示：微软的GraphRAG的实现采用两阶段流程，通过LLM构建知识图谱。其中在第一阶段，从原始文档中提取实体和关系，形成图谱的基础结构。
GraphRAG增强RAG能力
微软 GraphRAG 的亮点在于，构建完知识图谱后，它能识别图中的cluster，并为相互关联的实体群生成特定领域的摘要。这种分层方法将原始文本中的零散信息整合为结构化的实体、关系，从而形成更加有机、全面的知识表达。
这些实体、关系级别的摘要可以在用户查询时作为参考信息提供给LLM。结构化的图谱也支持多种检索方式，例如将图搜索和向量搜索结合，从而大幅增强信息检索体验。
GraphRAG代码实现
为展示这一概念，我们开发了一个简化的python代码程序：https://github.com/neo4j-contrib/ms-graphrag-neo4j/tree/main/src/ms_graphrag_neo4j，它封装了所有提示语，避免代码过于复杂。虽然它只是一个概念验证（PoC），但足以演示GraphRAG核心机制。
实体、关系提取
使用与朴素RAG相同的模拟数据：https://huggingface.co/datasets/weaviate/agents/viewer/query-agent-financial-contracts，该数据包含 100 份合同。GraphRAG 的关键配置之一是指定要提取和摘要的实体类型，它将直接影响后续图谱的构建。由于关注的是合同，所以这里选择提取人名（Person）、组织（Organization）和地点（Location）。
allowed_entities = ["Person", "Organization", "Location"]await ms_graph.extract_nodes_and_rels(texts, allowed_entities)提取完成后，相关实体关系展示如下图所示：图中紫色节点是合同文本及元数据，绿色节点为提取出的实体。每个实体都有名称与描述，实体之间可以存在多重关系。
摘要生成
某个实体可能在多份合同中出现，因此会有多个描述。同理，实体之间若在多个段落中出现，也可能有多个关系。为了整合信息，使用 LLM 对实体和关系进行摘要，消除冗余与重复。
await ms_graph.summarize_nodes_and_rels()得到的摘要结果如下：现在，每对实体之间只保留一条整合后的关系，内容是所有来源信息的摘要。同时，每个实体也拥有一个综合的描述，例如图中Danny Williams 的完整档案信息。
在索引流程的最后，使用如Leiden算法这样的图算法识别网络中的社区结构。这些社区由紧密互联的节点组成，彼此之间连接更密切。不同颜色表示不同的社区，从图中可以看出节点之间自然聚集形成群组。
MS GraphRAG 的核心理念是：生成跨多个关系与实体的高层摘要，从而构建一个整体视图，将碎片化的信息整合为连贯、深入的洞察。
await ms_graph.summarize_communities()知识图谱构建完毕后，接下来是检索阶段。
GraphRAG检索
从知识图谱中检索信息有多种方式。微软 GraphRAG 提供了三种检索策略：
- 全局搜索（Global Search）
- 局部搜索（Local Search）
- 漂移搜索（DRIFT Search）
其中局部搜索是将 AI 提取出的知识图谱与原始文档的相关文本段融合生成回答。它非常适合回答需要深入理解特定实体的问题（例如：“薰衣草精油的疗效有哪些？”）。局部搜索通过以下步骤进行：
- 「实体识别」：识别出问题中涉及的关键实体。
- 「图谱导航」：这些实体成为图谱的切入点，系统可进一步：
- 查找关联实体；
- 提取属性和关系；
- 引入社区摘要等上下文信息。
将实体索引至向量数据库后，构建结合向量数据库和图数据库的检索流程。先通过向量数据库的语义搜索定位相关实体，再使用Neo4j遍历图谱，探索实体间关系与更广泛的上下文网络。此混合方法融合了语义理解与结构关系，实现更深层的信息检索。
retriever = WeaviateNeo4jRetriever( driver=driver, client=client, collection="Entities", id_property_external="entity_id", id_property_neo4j="name", retrieval_query=retrieval_query)首先从向量数据库查询出与用户问题最相关的实体，并将实体ID映射到Neo4j图谱中对应的节点。接下来，系统通过Cypher查询在图谱中遍历邻接关系，提取相关上下文。将向量语义搜索能力和Neo4j的关系导向结构相结合，那么就构建了一个既能理解数据内容又能理解数据连接的检索系统。
该查询整合了来自不同实体的文本、社区摘要、实体关系与实体自身的描述：
retrieval_query = """WITH collect(node) as nodesWITH collect { UNWIND nodes as n MATCH (n)<-[:MENTIONS]->(c:__Chunk__) WITH c, count(distinct n) as freq RETURN c.text AS chunkText ORDER BY freq DESC LIMIT 3} AS text_mapping,collect { UNWIND nodes as n MATCH (n)-[:IN_COMMUNITY*]->(c:__Community__) WHERE c.summary IS NOT NULL WITH c, c.rating as rank RETURN c.summary ORDER BY rank DESC LIMIT 3} AS report_mapping,collect { UNWIND nodes as n MATCH (n)-[r:SUMMARIZED_RELATIONSHIP]-(m) WHERE m IN nodes RETURN r.summary AS descriptionText LIMIT 3} as insideRels,collect { UNWIND nodes as n RETURN n.summary AS descriptionText} as entitiesRETURN {Chunks: text_mapping, Reports: report_mapping, Relationships: insideRels, Entities: entities} AS output """查询结果可能如下（为模拟数据）：
Weaviate 是一家根据加利福尼亚州和特拉华州法律注册的公司，主要办公地点位于旧金山，在“创新大道 123”与“科技巷 123”等地设有分支。业务范围包括咨询、软件开发、数据分析、云存储、技术支持和项目管理服务。同时积极参与 AI 解决方案及数据处理技术的开发合作，为合作项目提供资源与专业支持。...GraphRAG局限性
与传统基于文本块的 RAG 不同，GraphRAG 提供了更丰富的实体与社区级描述。但它的摘要依赖静态的 LLM 生成，若新增数据则需重新索引，代价高昂。
相比之下，传统 RAG 新增数据时无需重新索引，更高效。此外，若某些实体关联过多节点，可能导致可扩展性问题。因此需要对高度连接的通用实体类型进行过滤，以避免结果失真。此外，「图谱构建和摘要过程虽然提高了细节质量，但维护实时性的难度也随之增加」。
总结
传统RAG技术是简单而有效的起点，尤其当数据结构良好、相对独立时表现出色。而 Graph RAG 进一步理解数据之间的关系和背景，在处理合同、科研文献、组织记录等信息关联密切的数据时具有更强表现。「结合这两种方法构建混合系统，可以兼顾语义相似度与结构洞察，为用户提供更准确、有深度的回答」。无论是初学者还是高级开发者，选择合适的策略首先要理解你手头的数据。
最后
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。
我整理出这套 AI 大模型突围资料包：
- ✅AI大模型学习路线图
- ✅Agent行业报告
- ✅100集大模型视频教程
- ✅大模型书籍PDF
- ✅DeepSeek教程
- ✅AI产品经理入门资料
完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
为什么说现在普通人就业/升职加薪的首选是AI大模型？
人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。
智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。
AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。
资料包有什么？
①从入门到精通的全套视频教程⑤⑥
包含提示词工程、RAG、Agent等技术点
② AI大模型学习路线图（还有视频解说）
全过程AI大模型学习路线
③学习电子书籍和技术文档
市面上的大模型书籍确实太多了，这些是我精选出来的
④各大厂大模型面试题目详解
⑤ 这些资料真的有用吗?
这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。
所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势，构建起"前沿课程+智能实训+精准就业"的高效培养体系。
课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！
应届毕业生：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能 突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**
