知识图谱 Graph Rag 概念速通

原创 已于 2026-06-17 22:08:53 修改 · 760 阅读 · 28 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测
标签
#自然语言处理
于 2025-10-30 17:09:26 首次发布

微软官方文档： Getting Started - GraphRAG 

graph 

语义网络，由节点(实体）和边（关系）组成

分类

主要有两种形式

对比维度LPGRDF
基本结构节点和边三元组
节点属性可直接添加表示为额外三元组
边属性可直接添加传统 RDF 较麻烦，需重ification或 RDF-star
节点类型Label，例如 :Personrdf:type 三元组
关系类型Edge Label，例如 WORKS_ATPredicate，例如 worksAt
Schema通常较灵活，偏弱模式可通过 RDFS、OWL 定义正式语义
查询语言Cypher、GremlinSPARQL
主要优势图遍历直观、工程开发方便标准化、语义推理、跨系统互操作
常见应用推荐系统、社交网络、欺诈检测、GraphRAG本体、开放知识库、语义网、科学知识整合

LPG 节点 + 带类型的边 + 属性

节点和边都可以直接拥有属性，适合图遍历、关系分析和工程应用。

RDF 所有内容拆成三元组

主语 Subject — 谓语 Predicate — 宾语 Object

标签和属性都成为了单独的实体

适合需要丰富语义表达和推理的应用：实体更多，关系更多

构建

1. 本体建模（Ontology Modeling）

本体建模用于定义知识图谱的整体结构，包括需要存储的实体类型、关系类型及其属性。例如，可以定义 Person、Organization 等实体，以及 worksAt、collaboratesWith 等关系。本体相当于知识图谱的数据规范，保证后续抽取的数据结构一致。

2. 数据收集与预处理（Data Collection and Preprocessing）

从文档、数据库、网页、API 等不同来源收集原始数据，并进行清洗、去重和格式统一。对于文本数据，通常还需要进行分句、分词、文档切块和无效内容过滤，为后续知识抽取提供高质量输入。
 

3. 实体识别与关系抽取（Entity and Relation Extraction）

实体识别用于从文本中发现具有实际意义的对象，例如人物、地点、组织和产品。关系抽取则判断实体之间存在的联系，例如从“Alice 在 OpenAI 工作”中抽取出 Alice — worksAt → OpenAI。

4. 知识融合与消歧（Knowledge Fusion and Disambiguation）

知识融合用于整合来自不同数据源的重复或冲突信息。实体消歧则判断名称相同或相似的实体是否指向同一个真实对象，例如区分“苹果公司”和“苹果水果”，并将同一实体的不同名称进行合并。

5. 知识图谱存储（Knowledge Graph Storage）

将处理后的实体、关系和属性存入图数据库，形成可查询和扩展的图结构。以 LPG 为例，可以使用 Neo4j 等数据库存储节点和边，并通过 Cypher 实现实体检索、多跳遍历和子图查询。

Graph Rag

基于图的增强回答：借助图谱的互联性，为llm提供复杂关系信息，使其能进行更复杂的推理

点的类别划分：聚类

流程

一般情况下是双路召回的，如下图，上面是基于graph rag, 然后下面是基于一般检索

graph rag 流程

搜索方式

global search

Global Search 面向需要综合整个语料库的宏观问题，例如：

  • 整个数据集有哪些主要主题？
  • 文档中反复出现的主要风险是什么？
  • 不同社区的共同观点和分歧是什么？

GraphRAG 在构图阶段会对实体图进行社区划分，并为每个社区生成 Community Report。查询时，Global Search 会检索大量社区报告，通过 Map-Reduce 方式分别生成局部结论，再将重要结论汇总成最终答案

每一个cluster都有一个总结报告，最后所有信息整合起来得到概括性信息

整个过程非常！消耗！token！数量！

local search

Local Search 面向具体实体、事件或关系问题，例如：

  • Alice 与哪些项目有关？
  • 公司 A 为什么与公司 B 合作？
  • 某个模型的主要问题是什么？

查询时，系统首先找到与问题语义相关的实体，并以这些实体作为图中的入口，进一步检索其邻居实体、关系、相关社区报告以及原始文本块。最终将这些局部信息筛选、排序，并放入一个上下文窗口中生成答案。

chunk 的挂载与召回

存储

text_chunks 用来存chunk的

chunks_vdb chunk 向量数据库

entity_chunks 实体→关联chunk_id 列表的反向索引

召回

query → 关键词 →

1) kg （ann)→ source_id 解析候选chunk

* ann = approximate nearest neighbor  近似最近邻搜索

2) 

选chunk 策略：

1） 按实体重要性加权轮询

2） 与query 算cosine选top

深度解析知识图谱增强的GraphRAG及医药案例
强化学习曾小健
03-28 2797
原创 KGGPT 知识图谱科技 2024-03-09 10:37Source: https://blog.griddynamics.com/retrieval-augmented-generation-llm/在讨论RAG中的有效信息检索时，理解“相关性”和“相似性”的区别至关重要。相似性是指字词匹配方面的相似性，而相关性是关于思想的联系性。你可以使用矢量数据库查询来识别语义上相近的内容，但要识别和检索相关内容需要更复杂的工具。当我们在下面探索各种RAG技术时，这是一个重要的概念要牢记。如果你还没有看过Ll
GraphRAG：一种新型的RAG技术
产品老A，7年互联网大厂AIPM，专注探索新型人机交互
07-18 6857
微软前几天发布的 GraphRAG 架构非常厉害，但是具体的原理和内容可能不太好理解。Neo4j 的 CTO 写了一篇详细的文章《GraphRAG 宣言：为 GenAI 增加知识》，通俗易懂的介绍了 GraphRAG 的原理、与传统 RAG 的区别、GraphRAG的优势、知识图谱的创建和利用知识图谱工作。
RAG——微软GraphRAG
最新发布
小志的博客
03-23 528
在处理大型数据集或长文档时，RAG 难以有效地归纳和总结复杂的语义概念。例如，试图从一份包含数百页的技术文档中提取关键要点，对 RAG 来说是极具挑战性的。这导致其在需要全面理解和总结复杂语义信息的场景中表现不佳。为了解决这些挑战，
GraphRAG：知识图谱+大模型 LangChain实现
热门推荐
KQe397773106的博客
04-22 3万+
需要注意的是，生成的图谱质量很大程度上取决于您使用的模型。在 RAG 应用中，结合结构化的图数据和非结构化的文本向量搜索，可以让我们同时享受两者的优势，这也是本文将要探讨的内容。的引入，生成知识图谱的过程现在应该更加顺畅和易于访问，这使得任何想要通过知识图谱提供的深度和上下文来增强其基于 RAG 的应用的人更容易上手。接下来，我们将引入一个提示，它利用混合检索器提供的上下文来生成响应，从而完成 RAG 链的实现。正如我们一开始提到的，我们将结合非结构化和图检索器来创建最终的上下文，这将传递给 LLM。
一文搞懂GraphRAG（RAG + 知识图谱）
m0_63171455的博客
04-24 4127
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；示例：若另一文本提到“胰岛素的副作用包括低血糖”，则将其与现有关系融合，形成更完整的图谱。
一文看懂GraphRAG与传统RAG的7大区别及融合方案，你会怎么选择？
m0_63171455的博客
09-04 4691
其借助社区检测算法来识别知识图谱中的多个社区，并利用LLM对这些社区进行总结与摘要。因此，当回答类似这样的问题：“最近几年高端智能手机的整体发展趋势是怎样的？Microsoft GraphRAG会通过Map-Reduce算法首先从多个不同的关联社区（比如不同年份社区）来搜集到“高端智能手机”的信息（Map），最后汇总生成全局性答案（Reduce）。
【论文精读(KG²RAG)】南京大学&阿里巴巴：Knowledge Graph-Guided Retrieval Augmented Generation (KG²RAG)
2301_79985417的博客
04-19 3620
大语言模型（LLM）在生成任务中常因知识缺失或过时产生幻觉，传统检索增强生成（RAG）虽能补充知识，但仅依赖语义相似性导致检索结果冗余且缺乏关联。本文提出 KG²RAG（Knowledge Graph-Guided Retrieval Augmented Generation）框架，通过知识图谱（KG）显式建模文本块间的事实级关系，提升检索结果的多样性与连贯性。实验表明，KG²RAG 在 HotpotQA 等数据集上显著优于传统 RAG 方法，为可信 AI 推理提供了新路径。
知识图谱的探索与应用：从Graph RAG到多模态检测与信息寻求
安静的软件工程师
04-02 1999
知识图谱的探索与应用：从Graph RAG到多模态检测与信息寻求
Graph RAG: 知识图谱结合 LLM 的检索增强
weixin_44324814的博客
10-10 2641
RAG（Retrieval Argumented Generation）这种基于特定任务/问题的文档检索范式中，我们通常先收集必要的上下文，然后利用具有认知能力的机器学习模型进行上下文学习（in-context learning），来合成任务的答案。这次，我们借助 LLM 的力量，强化下 RAG。
【RAG探索第4讲】KG+RAG丨基于知识图谱优化大型语言模型方法
mrweiqk的博客
07-16 1666
今天给大家带来一些知识图谱+RAG的参考案例。
知识图谱增强的RAG(KG-RAG)详细解析
2401_85373898的博客
01-09 1343
KG-RAG 表示基于知识图谱的RAG(Retrieval Augmented Generation)检索增强.
GraphRAG与知识图谱
moneywenxue的博客
04-07 2922
Graph RAG 思想： 对用户输入的query提取实体，然后构造子图形成上下文，最后送入大模型完成生成知识图谱（Knowledge Graph）是一种以结构化形式描述现实世界实体及其关系的技术，通过将数据组织为“节点-边-节点”的三元组（如“北京-是-中国首都”），构建出语义关联的网络。实体（Entities）‌：表示具体或抽象的事物，如“李白”“北京”。‌关系（Relationships）‌：连接实体的边，定义交互方式，如“出生于”“首都”。‌。
技术动态 | GraphRAG：设计模式，挑战和落地指南
开放知识图谱
06-14 2205
转载公众号| 知识图谱科技GraphRAG (基于知识图谱检索增强生成) 通过将知识图谱 (KGs) 或图形数据库与大型语言模型 (LLMs) 集成，增强了传统的检索增强生成 (RAG) 方法。它利用图形数据库的结构化特性，将数据组织为节点和关系，以更高效准确地检索相关信息，并为生成响应提供更好的上下文，使LLMs感知到更多的信息。通过将知识图谱作为结构化的、领域特定的上下文或事实信息的来源，G...
GraphRAG：知识图谱+RAG技术
HUANGXIN9898的博客
05-09 2598
在介绍RAG之前，先来介绍一下Langchain-chatchat的自定义Agent功能，由于在工作中遇到的业务场景，希望将预测模型（经典时序预测模型、深度时序预测模型、时序大模型）作为Agent供大模型去调用，因此基于Qwen2大模型基座，实现了自定义Agent功能。
小白学 RAG：GraphRAG概念、组成和流程
2401_85379281的博客
09-02 1620
GraphRAG是一种结合了检索（Retrieval）和生成（Generation）的技术，它通过利用外部知识库来增强大型语言模型（LLMs）的性能，有效解决了模型可能出现的“幻觉”问题、领域知识缺失以及信息过时等问题。GraphRAG通过图结构信息，能够更精确地检索和生成与上下文相关的响应。GraphRAG技术通过在生成过程中融入检索组件来提升生成内容的质量和相关性。
Docs2KG: Unified Knowledge Graph Construction from Heterogeneous Documents Assisted by Large Languag
weixin_43961909的博客
09-22 1849
即使保守估计，80% 的企业数据也驻留在非结构化文件中，存储在可容纳异构格式的数据湖中。传统搜索引擎已无法满足信息搜索需求，尤其是当任务是浏览和探索以形成见解时。换句话说，没有明显的搜索关键字可用。知识图谱由于其自然的视觉吸引力可以减少人类的认知负荷，成为异构数据集成和知识表示的最佳候选者。在本文中，我们介绍了 Docs2KG，这是一种新颖的框架，旨在从多样化和异构的非结构化文档（包括电子邮件、网页、PDF 文件和 Excel 文件）中提取多模态信息。
Vector | Graph：蚂蚁首个开源Graph RAG框架设计解读
TuGraph的博客
06-17 3259
引入知识图谱技术后，传统RAG链路到Graph RAG链路会有什么样的变化，如何兼容RAG中的向量数据库（Vector Database）和图数据库（Graph Database）基座，以及蚂蚁的Graph RAG开源技术方案和未来优化方向。
100个AI领域的常见概念| KG、RAG、KAG、GraphRAG...这些有什么区别？
m0_48891301的博客
06-02 2467
这个系列的灵感来源于我偶然间看到的“歪门邪道”——大意是如何伪装成一个陌生领域的专家？可以先了解这个领域常见的100个概念，并厘清其中的关系、上下位概念、区别和联系，然后在合适的场合灵活运用，就能骗到和你一样不懂的人了（）虽然是一句玩笑，不过后来又想到，传统的人文社科考试似乎真的是考名词解释和名词解释Plus…
Graph-RAG：知识图谱与大模型的融合
Z4400840的博客
12-02 1359
本文的探讨让我们认识到，Graph-RAG 不仅是一种技术进步，它更是一种思考方式的革新。Graph-RAG 系统以其独特的能力，让我们在数据的海洋中航行得更远，理解得更深。展望未来，我们期待这一系统能够继续进化，成为连接知识孤岛、激发创新思维的桥梁，引领我们进入一个更加智能和互联的信息时代。读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用如果你是零基础小白，想快速入门大模型是可以考虑的。一方面是学习时间相对较短，学习内容更全面更集中。二方面是可以根据这些资料规划好学习计划和方向。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值