什么是GraphRAG

Graph RAG 则是微软基于RAG（RAG是Retrieval-Augmented Generation的缩写，意思是检索增强生成）的一种创新应用。可以说是一种结构化的、分层的RAG方法。传统的RAG方法在处理全局性问题时存在局限，比如“数据集的主要主题是什么？” 这种问题往往需要跨越整个文本语料库，而不是局部文本的检索。

为了克服这一挑战，Graph RAG提出了一个全新的方法。利用LLM构建一个图谱索引，包括实体、关系和相关的摘要信息。并通过图谱社区检测算法将图谱分割成多个社区，每个社区代表一组紧密相关的节点。

这种基于图谱的数据索引最令人兴奋的功能之一是它能够在任何用户查询之前报告数据的语义结构。

在问答时，Graph RAG能够并行处理各个社区的摘要，最终汇总生成全局答案。

Graph RAG的工作流程

文档处理：将源文档分割成多个文本块，以便后续处理。

元素实例提取：使用LLM提取文本块中的实体和关系。

元素摘要生成：对提取的元素进行摘要，生成独立的描述性文本。

图谱社区检测：使用社区检测算法将图谱分割成多个社区。

社区摘要生成：对每个社区生成报告式的摘要。

问答生成：根据用户问题，利用社区摘要生成初步答案，再进行汇总生成全局答案。

Graph RAG总结

Graph RAG通过结合图谱索引和生成模型为LLM提供了一种全新的文本处理和问答解决方案。不仅提升了LLM回答的全面性和多样性，还显著提高了处理效率。