

### **1.1****GraphRAG**

随着检索增强生成技术的发展，传统RAG通过语义相似度检索相关内容，确实提升了大模型的知识广度。但在实际应用中，许多复杂问题不仅需要找到相关信息，还需要理解信息之间的结构关系，进行多步推理，或追溯事实的来龙去脉。此时，传统RAG往往难以满足需求，生成的答案也可能零散、缺乏逻辑。为此，将知识图谱结构化数据融入RAG流程，发展出GraphRAG新架构，能让系统更好地理解实体之间的关联，实现链式推理和结果解释，从而显著增强问答系统的智能水平和应用范围。这正是GraphRAG出现的背景与现实意义。

#### **1.**1****.****1**** GraphRAG架构**

GraphRAG架构将知识处理流程系统性地划分为索引阶段（Indexing Time）与查询阶段（Query Time），两大环节协同支撑了高效、结构化与可解释的智能问答和推理体系。后文将结合贵州旅游案例，对这两大阶段的原理与应用进行详细阐释。图1.1展示了GraphRAG具体流程。

![image.png](https://developer.qcloudimg.com/http-save/yehe-1277458/a680c35eac69fdba8c176ed2fb8e1240.png)

::: center  
图1.1 GraphRAG流程图
:::

#### **1.**1****.**2**** 索引阶段**

索引阶段的核心在于将大规模、异构的原始文本资料转化为高度结构化、可供后续高效检索与推理的知识图谱社区。这一阶段通过多层处理，逐步精炼信息，提升系统对知识组织与利用的能力。

**（1）****Source Documents（源文档）**
系统从各类原始文本资源中进行数据采集。这些资源可以是结构化数据（如数据库条目）、半结构化数据（如网页、列表）和非结构化数据（如旅游攻略、用户评论、新闻报道）。系统会对数据进行统一格式处理和清洗，确保下游处理的一致性。例如，采集贵州旅游相关攻略、交通信息、景区介绍等多源文本。

**（2）****Text Chunks（文本块）**
原始文档被进一步切分为较小的文本块，这一步一般采用主题切块、句段切分、滑动窗口等多种策略。分块不仅便于后续信息抽取和并行处理，还能显著提升检索的细粒度和召回率。对于贵州旅游场景来说，典型的块如“荔波小七孔交通方式”、“梵净山门票政策”等。

**（3）****Element Instances（语义元素）**
系统利用自然语言处理模型（如LLM、命名实体识别、关系抽取等），自动从每个文本块中识别出关键实体、属性和关系。例如，从“黄果树瀑布是中国著名景点，适合夏季观光”中提取出实体“黄果树瀑布”，属性“著名景点”、关系“适合-夏季-观光”。这些元素实例为后续的知识结构化和主题归纳打下坚实基础。

**（4）****Element Summaries（语义摘要）**
抽取出的元素经过归纳与进一步信息压缩，被转化为“元素摘要”。摘要过程中可能采用句子聚合、事实抽象、同义合并等算法，减少重复和无关信息，突出核心内容。例如，将涉及“贵阳美食”的若干元素压缩成“贵阳代表美食：肠旺面、豆花米豆腐等”。

**（5）****Community Detection（社区检测）**
所有元素摘要基于语义相似度、主题分布或图结构相关性进行自动聚类。常用算法有K-means、层次聚类、Louvain或Leiden等图算法。每个聚类结果被定义为一个“知识社区”，如“景点社区”“交通社区”“美食社区”等。这种社区化结构极大地提升了知识的可组织性和后续问题定位的准确性。

#### **1.****2**.****3**** 查询阶段**

查询阶段的本质在于基于已索引好的知识结构，进行层层筛选、聚合和推理，最终产出高质量、结构化的答案。
**（1）****Graph Communities（社区检索）**
当用户输入查询（如“贵州夏季适合去哪儿玩？”），系统首先根据问题意图，在知识社区中定位最相关的社区。这一过程可以基于关键词、主题建模或语义嵌入实现。锁定社区极大缩小了检索范围，使系统能快速、精准地获取高相关内容。

**（2）****Community Summaries（社区摘要）**
在目标社区内，系统会针对用户问题，自动生成领域摘要。这里可能涉及到面向查询的内容过滤、摘要生成、热点信息提取等技术。如在“景点社区”中，聚合“夏季适宜的景点”信息，过滤掉与时节无关的内容。

**（3）****Community Answers（社区回答）**
基于社区摘要，结合用户特定需求（如“有亲子游乐设施”“交通便利”等），系统利用生成式模型或规则引擎，对摘要内容做更细粒度的组织和补充。例如，给出“黄果树瀑布适合夏季避暑，有观光步道和亲子活动区”。

**（4）****Global Answer（全局答案）**
面对跨社区或多条件复杂查询，系统会整合多个社区级答案，通过多级聚合、逻辑推理和生成模型输出连贯、结构化的答案。譬如，“贵州五日游怎么安排？”会结合景点推荐、交通衔接、美食体验等多维度信息，生成一份全局性的旅行建议。

::: center  
表1.1 RAG对比
:::

| | | |
|:-:|:-:|:-:|
|**对比维度**|**传统RAG**|**GraphRAG（图增强RAG）**|
|数据结构|基于平面向量的扁平结构|基于图结构，强调节点与边的语义连接|
|检索方式|依赖向量相似度计算，找到最接近的文本片段|利用图中实体关系进行图遍历、信息传播与推理|
|上下文理解能力|仅基于文档片段，缺乏上下文整合|融合图中实体关系，增强多跳上下文理解能力|
|生成信息质量|主要依赖检索片段的直接信息|借助图结构语境提供更丰富、结构化的生成信息|
|适用任务类型|适用于简单问答、摘要等基础生成任务|更适合复杂推理、多实体关系构建与链式问答等任务|
|技术复杂度|架构简单，开发门槛低|架构复杂，需构建图谱与推理模块，门槛较高|


随着检索增强生成技术的发展，传统RAG通过语义相似度检索相关内容，确实提升了大模型的知识广度。但在实际应用中，许多复杂问题不仅需要找到相关信息，还需要理解信息之间的结构关系，进行多步推理，或追溯事实的来龙去脉。此时，传统RAG往往难以满足需求，生成的答案也可能零散、缺乏逻辑。为此，将知识图谱结构化数据融入RAG流程，发展出GraphRAG新架构，能让系统更好地理解实体之间的关联，实现链式推理和结果解释，从而显著增强问答系统的智能水平和应用范围。这正是GraphRAG出现的背景与现实意义。

GraphRAG：以图为骨、索引为脉、查询为刃——重塑RAG的三段式

随着检索增强生成技术的发展，传统RAG通过语义相似度检索相关内容，确实提升了大模型的知识广度。但在实际应用中，许多复杂问题不仅需要找到相关信息，还需要理解信息之间的结构关系，进行多步推理，或追溯事实的来龙去脉。此时，传统RAG往往难以满足需求，生成的答案也可能零散、缺乏逻辑。为此，将知识图谱结构化数据融入RAG流程，发展出GraphRAG新架构，能让系统更好地理解实体之间的关联，实现链式推理和结果

技术经理

人工智能

大数据

算法

GraphRAG通过知识图谱增强传统RAG技术，实现结构化检索与多步推理。系统将文本转化为知识社区，通过索引和查询两阶段处理，精准定位相关信息并生成结构化答案。相比传统RAG，GraphRAG能更好处理复杂问题，提供逻辑连贯、可解释的智能问答，特别适合旅游攻略等需要多维度信息整合的场景。

自然语言处理

结构化数据

数据结构

数据库

2026采购季 | AI焕新·智启新局

tencentdb-catalog

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

GraphRAG：以图为骨、索引为脉、查询为刃——重塑RAG的三段式-腾讯云开发者社区-腾讯云

GraphRAG：以图为骨、索引为脉、查询为刃——重塑RAG的三段式

GraphRAG：以图为骨、索引为脉、查询为刃——重塑RAG的三段式

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐