跳到主要内容

Graph-RAG

1. 定义与边界​

Graph RAG 使用图结构表示实体、关系、事件、社区或文档之间的连接，并在生成前检索相关子图、社区摘要或路径证据。它适合回答需要全局关系、跨文档归纳和实体网络的问题。

Graph RAG 不是“只要用了 Neo4j 就是 RAG”，也不是替代向量检索。常见生产架构会把图检索、向量检索、关键词检索和 rerank 组合使用。

2. 为什么重要​

普通 chunk 检索对局部事实有效，但对全局问题弱：

  • “这个组织中哪些团队围绕同一风险重复工作？”
  • “一组文档的核心主题和相互关系是什么？”
  • “某实体与某事件之间经过哪些中间实体关联？”

Graph RAG 通过实体关系和社区摘要提升全局理解能力。

3. 核心机制​

两类常见查询：

  • Local search：围绕某实体检索邻居、路径和原文证据。
  • Global search：基于社区摘要回答全局性、主题性问题。

4. 工程实现​

def build_graph_rag_index(documents):
    chunks = split_documents(documents)
    triples = []
    for chunk in chunks:
        triples.extend(extract_entities_relations(chunk.text, source_id=chunk.id))
    graph.upsert(triples)
    communities = detect_communities(graph)
    summaries = summarize_communities(communities, source_links=True)
    graph.store_summaries(summaries)

def graph_rag_query(query):
    intent = classify_graph_query(query)
    if intent == "global":
        evidence = retrieve_community_summaries(query)
    else:
        entities = link_entities(query)
        evidence = retrieve_subgraph_and_sources(entities)
    return generate_answer(query, evidence)

5. 生产实践​

  • 图中每条边都要保留来源 chunk，不然无法引用。
  • 实体消歧是核心问题：同名公司、产品、缩写要合并或区分。
  • LLM 抽取关系需要置信度和人工/规则校验。
  • 社区摘要要可重建，文档更新后重新计算受影响社区。
  • 对高精度场景保留原文证据，不能只引用图摘要。

6. 常见反模式​

  • 抽取大量低质量三元组，图谱噪声高于收益。
  • 只保存实体关系，不保存原文证据。
  • 把社区摘要当事实源，不回溯文档。
  • 所有问题都走 Graph RAG，成本和复杂度过高。
  • 忽略实体消歧，导致错误关系扩散。

7. 评测方法​

  • 实体抽取 precision/recall。
  • 关系抽取准确率。
  • 实体链接准确率。
  • 子图召回率和路径正确率。
  • 全局摘要覆盖率和忠实度。
  • 与普通向量 RAG 的端到端对比。

8. 安全与治理​

  • 图谱会显式暴露关系，可能比原文更敏感。
  • 跨文档关系推断要标注为推断，不能冒充原文事实。
  • 社区摘要可能泄露多个文档的聚合敏感信息。
  • 对实体和关系做权限继承：用户必须有权访问支撑该边的源文档。

工程化补强：架构与实现细节​

A. 与 Memory 的硬边界​

Graph RAG处理的核心对象是实体、关系、社区摘要、claims 与原文 chunk 组成的知识图谱检索。它的目标是把外部知识转化为可验证证据，而不是保存用户偏好或 Agent 经验。 Memory 可以影响“怎么服务这个用户、这个项目、这个流程”；RAG 只能回答“证据中是否支持这个事实”。

维度RAGMemory
数据来源外部文档、网页、代码、数据库、知识库对话、任务轨迹、用户偏好、历史经验
写入方式ingestion pipeline、同步任务、管理员上传互动后抽取、用户确认、后台总结
核心约束证据可追溯、权限过滤、引用准确状态延续、偏好复用、隐私最小化
典型失败召回错证据、引用不支持、上下文污染错误记忆持久化、越权画像、投毒
评测指标entity precision/recall、relationship correctness、community answer quality、source traceabilitymemory precision、task lift、staleness

B. 端到端 Pipeline​

本主题在总链路中的重点可以概括为：documents -> chunks -> entity/relation extraction -> community detection -> reports -> graph/vector query。

C. 索引数据结构​

{
  "chunk_id": "doc_2026_05_09#sec_04#chunk_003",
  "document_id": "doc_2026_05_09",
  "document_version": "v7",
  "source_uri": "s3://kb/product/manual.pdf",
  "source_type": "pdf|html|code|ticket|database",
  "title": "支付失败排查手册",
  "section_path": ["支付", "错误码", "超时"],
  "text": "...可用于回答的原文片段...",
  "span": {"page": 12, "start_char": 1840, "end_char": 2610},
  "metadata": {
    "tenant_id": "org_1",
    "acl": ["support", "engineering"],
    "created_at": "2026-05-01",
    "updated_at": "2026-05-09",
    "source_trust": "official_internal"
  },
  "retrieval": {
    "dense_vector_id": "vec_abc",
    "sparse_vector_id": "sparse_abc",
    "graph_node_ids": ["entity:timeout", "claim:retry-policy"]
  },
  "graph_method": "local|global|drift",
    "community_level": 2,
  "lineage": {
    "parser_version": "parser-2.1",
    "chunker_version": "heading-aware-1.4",
    "embedding_version": "emb-2026-05-09",
    "checksum": "sha256:..."
  }
}

没有 document_version、span、acl 和 lineage 的 RAG 索引，很难做引用、回滚、权限审计和 bad case 修复。

D. Indexing Pipeline 设计要点​

阶段关键决策常见坑
连接器增量同步、删除同步、权限同步只追加不删除，导致旧知识继续被召回
解析PDF 表格、代码块、标题层级、脚注丢页码和结构，引用无法定位
切分chunk 大小、overlap、父子块、表格整体性切断条款、代码函数或表格行
元数据tenant、ACL、时间、版本、来源可信度检索后才做权限过滤，已经泄露给模型
向量化embedding 模型、维度、批量、缓存模型切换后混用旧向量
索引vector、BM25/sparse、graph、rerank cache不记录索引版本，无法回归评测
回收删除、过期、重建、压缩向量残留和缓存残留

本文件建议的索引原则是：每个实体、关系、claim、community report 都要保留来源 chunk 和抽取版本。

E. 查询期策略​

局部问题用 local search，全局综述用 community/global search，探索用 DRIFT/多跳。查询期不要把“召回更多”当成唯一目标，而要控制证据质量、权限、时效和上下文预算。

E.1 Microsoft GraphRAG 查询模式核对​

Microsoft GraphRAG 官方查询文档把 Query Engine 定位为基于已完成索引的检索模块，并区分 Local Search、Global Search、DRIFT Search、Basic Search 和 Question Generation。工程上不要把 GraphRAG 简化成“建一个知识图谱再向量检索”。

模式适用问题证据风险
Local Search围绕具体实体、关系、局部事实的问题抽取关系必须回源到 chunk
Global Search需要整个语料全局综述的问题社区报告容易过度概括
DRIFT Search需要结合全局线索和局部细节的探索问题搜索路径要记录，否则难复盘
Basic Search简单检索或基线对照不能替代复杂多跳推理
Question Generation帮助探索语料可能问题生成的问题不是事实证据

GraphRAG 的价值在“结构化导航 + 原文证据”，不是让图谱摘要脱离原文直接回答。

def rag_query(user_query, user_ctx):
    plan = plan_retrieval(user_query, user_ctx)
    filters = enforce_acl(user_ctx, plan.filters)
    rewritten = rewrite_query(user_query, plan, metadata_schema=INDEX_SCHEMA)
    candidates = []
    for source in plan.sources:
        candidates.extend(source.search(rewritten, filters=filters, k=plan.candidate_k))
    ranked = rerank(user_query, candidates, features=["text", "metadata", "trust", "freshness"])
    evidence = pack_context(ranked, budget=plan.context_budget, diversity=True)
    answer = generate_with_evidence(user_query, evidence)
    return verify_citations(answer, evidence)

F. 引用与证据策略​

图结论必须能追溯到原文 chunk，社区摘要只能作为导航和聚合证据。引用不是格式问题，而是 evidence contract：模型只能用传入证据支持关键断言。

断言类型证据要求不满足时动作
简单事实至少一个直接 chunk 支持给出不确定或拒答
跨文档综合多个 chunk 覆盖关键维度明确证据范围和缺口
高风险建议官方/内部可信来源优先要求人审或给出保守答案
时间敏感信息来源版本和更新时间足够新触发刷新或说明可能过期
权限受限内容用户有权查看原文不引用、不泄露摘要

G. 失败模式与修复​

失败模式早期信号修复动作
LLM 抽图错误被当成事实，或图节点失去原文证据答案流畅但找不到支持片段加 citation verifier 和无证据拒答
chunk 边界错误命中片段缺上文或表格列调整切分器、加入 parent expansion
召回偏科概念问答好，错误码/ID 查询差增加 hybrid search 和字段 boost
top-k 污染上下文里半数以上无关rerank、diversity filter、query rewrite
权限绕过无权限文档出现在 trace服务端 ACL 前置过滤，索引按租户隔离
索引陈旧用户指出文档已更新增量同步、版本水位、freshness 监控
引用漂移引用存在但不支持断言claim-level citation check 和回源校验

H. 评测指标​

层级指标说明
检索recall@k、precision@k、nDCG、MRRgold span/doc 是否进入候选和前排
重排rerank lift、first relevant rank观察 reranker 是否真正改善上下文
上下文evidence coverage、token waste、duplication rate是否既覆盖证据又不浪费窗口
生成answer correctness、faithfulness、abstention accuracy答案是否正确且不编造
引用citation precision、claim support rate、broken link rate引用是否可打开且支持断言
安全prompt injection success、unauthorized recall、sensitive leakage外部内容和权限场景的红线
运维p95 latency、index freshness、cost/query、cache hit rate生产可用性和成本

I. 安全治理清单​

  • 检索内容是数据，不是指令；提示词中明确外部证据不能覆盖系统和开发者约束。
  • 权限过滤必须在检索前或索引层完成，不能依赖模型“不要使用”。
  • 对网页、用户上传文件和第三方文档做 prompt injection 扫描和来源可信度标记。
  • 高风险领域使用白名单来源、版本锁定、引用校验和无法支持时拒答。
  • 记录 query、filters、命中文档、分数、rerank 理由、上下文包和最终引用，支持审计。
  • 建立 bad case 回流：每个失败样本标注失败层级，并绑定索引版本、prompt 版本和模型版本。

9. 权威资料​