GraphRAG

GraphRAG 是微软研究院提出的 RAG 变体，核心思路是先用 LLM 从文档中抽取实体和关系，构建知识图谱，再在检索时走图路径而非纯向量相似度。普通 RAG 每次只检索孤立的文本块，擅长回答"某段话是什么意思"类的问题；但面对"A 和 B 有什么联系""整个语料库的主要主题是什么"这类需要跨文档综合的问题时，它会因找不到任何单个块包含全部信息而失败。GraphRAG 先建图——"张三→就职于→OpenAI""OpenAI→推出了→GPT-4"——查询时沿图跳转收集多跳关系，再组合成回答。代价是建图成本高（需要大量 LLM 调用做实体抽取）、构建时间长；适合文档集合关系密集、需要全局总结的场景（法律文书、医学文献），不适合简单 FAQ 问答。

普通 RAG 像在图书馆找某本书里的某一页；GraphRAG 像图书馆馆员画了一张所有书之间引用关系的地图——你问"谁影响了爱因斯坦的相对论"，馆员顺着地图上的箭头追溯多本书，给出跨书的完整答案。建地图费时费力，但一旦建好，能回答普通查找永远回答不了的问题。

GraphRAG 核心流程（概念示意）：

第一步：索引期——LLM 从文档抽取实体和关系
  文档："张三是 Acme 公司的 CTO，Acme 于 2023 年收购了 Beta 科技。"
  抽取：
    实体：张三(人物)、Acme(公司)、Beta科技(公司)
    关系：张三 --[职位]--> Acme
           Acme  --[收购]--> Beta科技

第二步：查询期——在图上多跳检索
  问题："张三的公司收购了哪些企业？"
  路径：张三 → Acme → Beta科技
  回答：Acme 于 2023 年收购了 Beta 科技。

使用 Microsoft GraphRAG 库（microsoft/graphrag）
可通过 graphrag index 命令自动完成第一步。

• → Retrieval / Top-K· 检索
• → Embedding· 向量嵌入