什么时候用GraphRAG？RAG VS GraphRAG综合分析

于 2025-06-30 11:41:12 发布
阅读量689 收藏 21
点赞数 21
CC 4.0 BY-SA版权
文章标签： 人工智能 算法 面试 职场和发展 AI 大模型
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。
本文链接：https://blog.csdn.net/xiaoganbuaiuk/article/details/149019617

RAG VS GraphRAG

RAG VS GraphRAG

最近的研究报告称，在许多实际任务中，GraphRAG的表现往往不如普通的RAG。因此产生一个问题：GraphRAG真的有效吗？在哪些场景下，GraphRAG有收益？为了解决这个问题，提出GraphRAG-Bench，这是一个评测GraphRAG的基准，目的是评估GraphRAG模型在层次知识检索和深度上下文推理方面的性能。文章指出的评测方式及评测结论可以参考。

GraphRAG-Bench具有一个全面的数据集，任务难度逐渐增加，涵盖事实检索、复杂推理、上下文总结和创造性生成，并对整个流程进行系统评估，从图构建和知识检索到最终生成。

RAG VS GraphRAG

下面这张图可能更清晰的看出RAG和GraphRAG的区别。

RAG VS GraphRAGRAG VS GraphRAG

特性RAGGraphRAG
知识表示使用文本块（chunks），通过向量嵌入进行索引。使用图结构，节点代表实体、事件或主题，边定义逻辑、因果或关联关系。
检索机制关键词匹配或向量相似度检索。图遍历，检索直接相关节点及相互连接的子图。
复杂查询处理适用于需要快速访问离散信息的任务，但不擅长复杂逻辑推理。适用于需要深度上下文分析和复杂推理的任务，能够合成来自分散数据点的见解。
适用场景简单问答系统，需要快速响应的任务。医学诊断、法律分析、科学推理等需要深度理解和复杂推理的任务。
复杂性实现相对简单，依赖现有文本检索技术。实现较为复杂，需要构建和维护图结构，以及高效的图遍历算法。
性能在不需要复杂推理的任务上表现良好。在需要复杂推理和上下文理解的任务上表现出色，但可能增加检索速度和资源消耗。

评测

现有评测都比较简单，因此提出一个比较全面的评测基准-GraphRAG-Bench，包括难度逐渐增加的任务，涵盖事实检索、多跳推理、上下文总结和创造性生成等。

img

按复杂性分类的任务，从事实检索到创造性生成。

类别任务名称简要描述示例
第1级事实检索需要检索孤立的知识点，最小化推理；主要测试精确的关键词匹配。蒙特圣米歇尔位于法国的哪个地区？
第2级复杂推理需要通过文档中的逻辑连接链接多个知识点。Hinze与Felicia的协议如何影响对英格兰统治者的看法？
第3级上下文摘要涉及将碎片化信息综合成一个连贯、有结构的答案；强调逻辑连贯性和上下文。John Curgenven作为康沃尔船夫在探索该地区的游客中扮演什么角色？
第4级创造性生成需要超越检索内容的推理，通常涉及假设或新颖的场景。将亚瑟王与John Curgenven的比较以及康沃尔海岸线的探索重述为新闻文章。

评估指标

在评估GraphRAG系统时，引入了多种指标来全面评估系统在知识图谱构建、检索和生成过程中的表现：

1. Graph Quality (图质量)

  • NODE COUNT（节点数量）：衡量在知识图谱构建过程中提取的实体数量。较高的节点数量意味着更广泛的领域覆盖和更细粒度的知识表示。

  • Edge Count（边数量）：衡量实体之间的关系数量。较高的边数量表明更密集的语义连接，有助于多跳推理和复杂查询处理。

  • Average Degree（平均度）：通过计算每个节点的平均边数来衡量全局连接性。较高的平均度表示更集成的知识表示，支持高效的跨节点遍历。

    其中， 是节点集合， 是节点 的度。

  • Average Clustering Coefficient（平均聚类系数）：通过三元组完成来评估局部邻域连接性。较高的值表明存在连贯的子图，支持局部推理。

    其中， 是节点 的聚类系数， 表示其中心三角形数。

2. Retrieval Performance (检索性能)
  • Context Relevance（上下文相关性）：衡量检索内容与问题意图的对齐程度。通过计算问题和检索证据之间的语义相似性来量化，较高的值表示更集中和相关的信息。
  • Evidence Recall（证据召回率）：通过评估是否捕获了正确回答问题所需的所有关键组件来衡量检索的完整性。较高的值表示更全面的证据收集。
3. Generation Accuracy (生成准确性)
  • Lexical Overlap（词汇重叠）：使用最长公共子序列匹配来衡量生成答案与参考答案之间的词级相似性。
  • Answer Accuracy（答案准确性）：评估生成答案与参考答案的语义相似性和事实一致性。
  • Faithfulness（忠实度）：评估长篇答案中的相关知识点是否忠实于给定的上下文。
  • Evidence Coverage（证据覆盖率）：衡量答案是否充分涵盖了与问题相关的所有知识。

实验性能

GraphRAG在需要多跳推理和上下文综合的任务中表现优异，但在简单事实检索任务中不如传统RAG。

  • 生成准确性: 基本RAG在简单事实检索任务中表现优于GraphRAG，但在复杂推理、上下文摘要和创造性生成任务中，GraphRAG表现出明显优势。
  • 检索性能: GraphRAG在复杂任务中表现出色，特别是在需要多跳推理和上下文综合的任务中，能够连接远距离文本片段，提供更全面的信息。
  • 图复杂性: 不同GraphRAG实现生成的索引图显示出显著的结构差异，HippoRAG2生成的图更为密集，提高了信息连接性和覆盖范围。
  • 效率: GraphRAG由于额外的知识检索和图聚合步骤，增加了提示长度，导致效率降低，尤其是在复杂任务中。

img

img

img

img

参考文献：When to use Graphs in RAG: A Comprehensive Analysis for Graph Retrieval-Augmented Generation，https://arxiv.org/pdf/2506.05690v1

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

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。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）
在这里插入图片描述

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。
在这里插入图片描述

在这里插入图片描述

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

在这里插入图片描述

👉4.大模型实战项目&项目源码👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战项目来学习。（全套教程文末领取哈）
在这里插入图片描述

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）
在这里插入图片描述

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）
在这里插入图片描述

为什么分享这些资料?

只要你是真心想学AI大模型，我这份资料就可以无偿分享给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

在这里插入图片描述
在这里插入图片描述

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）
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 2422
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
实战GraphRAG（一）：初步体验GraphRAG及其与RAG的对比
mtl1994的博客
07-16 1733
通过本文的初步体验，我们了解了GraphRAG与RAG的基本区别。GraphRAG利用知识图谱和社区摘要，提高了复杂信息处理和私有数据集推理的性能，虽然在搜索速度上略有不及，但其准确性和相关性表现更优。本文还通过实际示例展示了如何安装和配置GraphRAG，并执行全局搜索和本地搜索。GraphRAG在处理复杂查询和多源信息时展现了独特的优势，适合需要深度理解和综合分析的应用场景。未来，我们将进一步探讨其高级功能和优化方法。示例请参考GraphRAG文档。
GraphRAG 与 RAG 的比较分析
deephub
09-21 5782
检索增强生成（Retrieval-Augmented Generation，简称 RAG）是一种旨在提升大型语言模型（Large Language Models，LLMs）性能的技术方法。其核心思想是通过整合外部可靠知识库的信息来增强模型的输出质量。RAG 的工作原理可以概括如下：当 LLM 接收到查询时，它不仅依赖于自身的预训练知识，还会主动从指定的知识源检索相关信息。这种方法确保了生成的输出能够参考大量上下文丰富的数据，并得到最新、最相关可用信息的支持。
一文搞懂GraphRAG（RAG + 知识图谱）
m0_63171455的博客
04-24 2471
• 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 3872
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）。
微软 GraphRAG教程系列 之 01 什么是GraphRAG？GraphRAG使用知识图谱在推理复杂信息时大幅提高问答性能
iCloudEnd的博客
07-17 725
GraphRAG 是一种结构化的、分层的检索增强生成 (RAG) 方法，不同于使用纯文本片段的简单语义搜索方法。GraphRAG 流程包括从原始文本中提取知识图谱、构建社区层次结构、为这些社区生成摘要，然后在执行基于 RAG 的任务时利用这些结构。检索增强生成 (RAG) 是一种使用真实世界信息改进 LLM 输出的技术。这种技术是大多数基于 LLM 的工具的重要组成部分，大多数 RAG 方法使用向量相似性作为搜索技术，我们称之为Baseline RAG。
微软开源项目GraphRAG——基于知识图谱的RAG简介
洛阳泰山的博客
07-11 3853
在大型语言模型（LLM）的前沿研究中，一个核心挑战与机遇并存的领域是扩展它们的能力，以解决超出其训练数据范畴的问题。这不仅要求模型在面对全新数据时仍能保持卓越表现，还意味着开辟了全新的数据分析可能性，如在各种数据集中识别主题和语义概念，同时保留上下文和实体关系。在此背景下，微软研究院自豪地推出了GraphRAG——一项旨在显著提升LLM能力的重大突破。传统的检索增强生成（RAG）方法通过基于用户查询搜索信息，并将结果作为AI生成答案的参考，已成为大多数LLM工具不可或缺的一部分。
GraphRAG 融合 RAG：双剑合璧，精度更上一层楼
kakaZhui的博客
03-13 307
检索增强生成 (Retrieval-Augmented Generation, RAG) 已成为构建知识密集型 NLP 应用的标准范式。RAG 通过结合大型语言模型 (LLM) 的生成能力和外部知识库的检索能力，显著提升了生成结果的质量。然而，在某些场景下，仅依靠传统的 RAG 或 GraphRAG 可能无法达到最佳效果。本文将探讨一种融合 GraphRAG 和普通 RAG 的策略，通过优势互补，进一步提升 RAG 系统的精度。
微软GraphRAG的安装和在RAG中的使用体会
最新发布
alva_xu的博客
04-27 1309
Microsoft的GraphRAG是一种结合了知识图谱（Knowledge Graph）和检索增强生成（RAG）技术的先进框架，旨在提升大型语言模型（LLM）在处理复杂问题时的性能。。
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 5687
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。
技术动态 | GraphRAG：设计模式，挑战和落地指南
开放知识图谱
06-14 1879
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+大模型 LangChain实现
热门推荐
KQe397773106的博客
04-22 2万+
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。
GraphRAG：复杂查询的知识图谱新框架
cnzzs的博客
08-17 5636
微软最近发布了名为 GraphRAG(Graphs + Retrieval Augmented Generation)的创新 RAG 框架，这是一个将文本提取、语义网络分析，与大语言模型(LLM)的提示和总结功能结合在一起的端到端系统，用于深入理解文本数据集。在对私有数据中的复杂文本信息进行文档分析时，GrahRAG 使用...
GraphRAG与知识图谱
moneywenxue的博客
04-07 1637
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”。‌。
一文看懂GraphRAG：蚂蚁集团联合各所名校出品GraphRAG综述
AIBigModel的博客
08-24 2448
GraphRAG 是借助外部结构化知识图谱来增进语言模型的上下文理解，并生成更具洞见响应的框架。GraphRAG 的目标在于从数据库中检索出最为相关的知识，进而提升下游任务的答案质量。鉴于候选子图的数量会随着图的规模呈指数增长，故而需要有效的近似方法。由此，运用图检索器提取最优子图 ，而后生成器依据检索到的子图生成答案。所以，将 GraphRAG 的整个流程拆解为三个主要阶段：基于图的索引、图引导检索和图增强生成。
当AI遇上知识图谱：GraphRAG学习笔记
m0_59235699的博客
06-06 1642
RAG，即Retrieval Augmented Generation（检索增强生成），是一种能够准确理解用户查询、获取相关信息并将其融入回答的技术。它不仅成本效益高，而且在提供领域特定上下文、反映最新信息以及追踪信息来源的透明度和可解释性方面表现出色。知识图谱是一种结构化的语义知识库，它通过图的形式存储和表示实体（如人、地点、组织等）以及实体之间的关系（如人物之间的关系、地点的地理位置关系等）。知识图谱在信息检索、数据挖掘、自然语言处理、智能问答等领域有着广泛的应用。
GraphRAG 详解
m0_59164520的博客
07-24 3918
以 ChatGPT 为代表的大语言模型出圈后，企业级 LLM 的应用也越来越热，这其中一大部分应用都使用了 RAG 技术。传统 RAG 技术在某些场景下，可能存在以下几个问题，即使使用高级 RAG 方法通常也较难克服。1. 效率问题：基于向量的搜索方法采用数学方法，如聚类，树形结构或 HNSW 等近似最近邻算法，这些方法在处理极高维度数据，或非常复杂的信息结构时效果不好。另外，ANN 搜索算法如 HNSW 虽然可以提高效率，但构建和维护索引通常需要大量的计算资源。
graphRAG是什么
01-16
具体来说，GraphRAG 使用四个主要向量表示法，并将这些向量映射至图形化结构内，从而增强了对于输入请求背后语义逻辑的认知水平[^1]。 #### 主要用途 1. **提高复杂查询解析准确性** - 当面对多步推理需求或是...
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