GraphRAG（图增强检索）
定义
GraphRAG 是微软研究院提出的 retrieval architecture——把 corpus 转换为 knowledge graph（entity + typed relationship with descriptions）+ hierarchical Leiden community + 预生成 community reports；query 时通过 local/global/DRIFT 三种 mode 跨越 single-document similarity 检索的局限。核心解决 global query（跨语料推理）的 vector RAG 根本盲区。
核心问题：Vector RAG 的 blind spot
Query: "Which service owns the payments retry logic?"
→ Local query: answer lives in 1-2 documents → vector retrieval works ✓
Query: "Which failure causes recur most often across all postmortems?"
→ Global query: answer exists as distribution across 200 documents
→ Vector retrieval returns "recurring" / "frequent" vocabulary matches
→ Real pattern NOT retrieved ✗
Microsoft 测试：Vector RAG with 8K vs 64K token context——larger window 不解决 gap（comprehensiveness, diversity, source material 仍差）
Microsoft 6 阶段 Indexing Pipeline
| Phase | 输出 |
|---|---|
| 1. Text unit chunking | 数百到数千 token 的 chunks |
| 2. Entity/Relationship Extraction | LM 抽 entity（title, type, description）+ relationship（source, target, description） |
| 3. Merge with Description Compression | 同 title/type 的 entity 合并；二次 LM pass 压缩 description |
| 4. Optional Claim Extraction | 时间约束的事实声明 |
| 5. Hierarchical Leiden Clustering | 递归分区成 communities，多层级（level 0 粗，level N 细） |
| 6. Community Report Generation | 每个 community 每个 level 都有 summary；text units + entity descriptions + report contents 嵌入 vector store |
Cost note: Phase 2 占 indexing 总成本约 75%——是 cost reduction 首选
三种 Query Modes
| Mode | 适用 | 机制 |
|---|---|---|
| Local Search | local queries（who/what/when/where） | match entities → 5 个并行 expansion（text units / community reports / neighbors / relationships / claims）→ rank → 装入 context window |
| Global Search | global queries（summary/aggregation） | 不碰 entity graph；shuffled community report batches → map stage（LM + importance rating）→ reduce stage（top-rated points → final answer） |
| DRIFT Search | hybrid | 先 query community reports 得 initial answer + follow-up questions → 对 follow-ups 跑 local search → 返回按 relevance 排序的 questions/answers hierarchy |
衍生优化
- LazyGraphRAG: 用 NLP 替代 LM extraction + 推迟所有 LM 工作到 query time——indexing cost 降至 full GraphRAG 的 0.1%，query cost 降 700×，global-query quality comparable
- FastGraphRAG: 完全用 NLP（noun phrases = entities, co-occurrence = relationships）——更便宜但"considerably more noise"
- Microsoft 立场: 不推荐 every deployment LazyGraphRAG——community reports 有独立价值（人阅读和分享），是副产物
实证案例
| Case | Metric | Result |
|---|---|---|
| LinkedIn Customer Service (SIGIR 2024) | MRR | +77.6% |
| LinkedIn Customer Service | median per-issue resolution time | -28.6% |
与传统 RAG 的对比
| 维度 | Vector RAG | GraphRAG |
|---|---|---|
| Local queries | 强（similarity assumption 成立） | 弱（over-engineered） |
| Global queries | 弱（vocabulary 共现 ≠ underlying pattern） | 强（community reports 预生成） |
| Faithfulness | comparable | comparable |
| Comprehensiveness | comparable | 优 |
| Diversity | comparable | 优 |
| Supporting source material | comparable | 优 |
| Indexing cost | 低（embedding pass） | 1000×（full GraphRAG） |
| Index maintenance | low（re-embed chunks） | 高（re-extract + re-cluster） |
前提与局限性
- 不减少 hallucination: faithfulness 与 baseline RAG 相当
- indexing 成本高: 75% extraction 是首要优化目标
- index perishable: corpus 变化需 re-extract + re-cluster + re-report——日常运营负担
- prompts domain-specific: 跨 domain robustness 较弱
- community report level 选择影响质量: lower level 更详尽但 token 多
- DRIFT search 缺乏独立 benchmark
与相关 concept 的关系
- Knowledge-Graph: GraphRAG 底层基础设施
- RAG-vs-LLM-Wiki: GraphRAG vs Wiki 是 retrieval architecture 层面的对比
- Corrective-RAG: 都处理 retrieval quality 问题，但 CRAG 是 post-retrieval 修正
- Agentic-RAG: GraphRAG 的三种 mode 是 agentic RAG 的策略池
- Structured-Agent-Memory: 多属性结构化记忆与 GraphRAG 的 entity/relationship 都暴露 similarity gap
- Decision-Centric-Architecture: ontology pipeline 与 GraphRAG indexing pipeline 同构
- Knowledge-Compilation: 都是把分散源材料压缩成可重用语义层
关键数据点
- 提出者: Microsoft Research
- 文章作者: ByteByteGo (Alex Xu 等) 2026-08-19
- LinkedIn SIGIR 2024 实证: MRR +77.6% / resolution time -28.6%
- Microsoft Graph extraction cost 占总 indexing 75%
- LazyGraphRAG indexing cost = full GraphRAG 0.1%
- LazyGraphRAG query cost 降 700×
- Vector RAG with 64K context 仍输给 GraphRAG on global queries
- Community detection: hierarchical Leiden algorithm
适用决策
- Vector RAG 优先: local queries 主导、corpus 小、indexing 预算低
- GraphRAG 优先: global queries 重要、corpus 大且变化慢、indexing 预算足
- LazyGraphRAG 优先: global queries 重要但 corpus 变化快、indexing 预算低
- Agentic RAG 优先: 多种 query 类型共存、需要 router 动态选择
关联概念
- Agentic-RAG — query-level 路由策略
- Knowledge-Graph — entity/relationship graph
- RAG-vs-LLM-Wiki — retrieval architecture 对比
- Corrective-RAG — retrieval quality 修正
- Structured-Agent-Memory — 结构化暴露 gap
- Decision-Centric-Architecture — ontology pipeline 同构
- Knowledge-Compilation — 语义层压缩
- Skills-as-Products — prompt quality 治理
- Prompt Caching（forward reference，未建 entity） — LLM call 成本优化