← 返回课程目录 · 加餐 · RAG 深入 · 承接第 8 课

GraphRAG 小白版

第 8 课的 RAG 靠"语义相似度"找资料——但有一类问题它天生答不了。GraphRAG 把文档变成知识图谱来补这个洞。

一、Naive RAG 的死穴:全局性问题

问 RAG:"这 100 份事故报告里,最常见的三类根因是什么?"——它会懵。因为答案不藏在任何一段里:散落在 100 份文档各处,需要先"读懂全部、归纳总结"才能回答。语义检索只能找到"长得像问题"的段落,做不了跨文档的归纳。GraphRAG 的思路:先离线把文档加工成实体关系图谱,查询时沿图回答局部问题、用图摘要回答全局问题。

二、动手:看一张知识图谱怎么建出来

6 份事故文档,点按钮逐步加工。绿圈 = 实体,连线 = 关系。

三、Naive RAG vs GraphRAG 对照

维度Naive RAG(第 8 课)GraphRAG
检索单位文本块(chunk)实体、关系、社区摘要
擅长问题"年假怎么申请"这类答案在某一段里的问题"主要根因有哪些""A 和 B 什么关系"这类全局/多跳问题
离线成本切块 + 向量化(便宜)LLM 抽实体建图 + 社区摘要(贵,文档更新要重建)
运维提示chunk 粒度与 embedding 质量是关键图谱新鲜度是新的运维对象:文档更新触发增量重建

四、关键词卡

实体关系抽取

用 LLM 从文本里抽出"谁—什么关系—谁"三元组(如 磁盘故障 —导致→ XID 79)。

🧠 类比:从告警文本里提取"服务—依赖—服务"拓扑。

社区检测与摘要

把图里抱团的节点分成社区(Leiden 算法),再让 LLM 给每个社区写摘要——全局问题的答案就藏在摘要里。

🧠 类比:服务自动分域 + 每域生成 README。

局部查询 vs 全局查询

局部:沿图找实体邻域作上下文;全局:把社区摘要喂给模型做归纳。

🧠 类比:精确查拓扑 vs 看架构总览。

KAG / 上游实践

蚂蚁的 KAG 是同类框架(知识增强生成);上游有 GraphRAG 学习指南与 Neo4j/Cypher 实战。

🧠 想动手:Neo4j + 一批文档就能复现最小闭环。

五、小测验

Q1 · 哪类问题最需要 GraphRAG 而不是 Naive RAG?

Q2 · GraphRAG 回答"全局性问题"靠的是?

Q3 · GraphRAG 相比 Naive RAG 的主要代价?

延伸阅读