GraphRAG 检索实现说明
💡 论文解读与参考来源:本文内容基于对微软论文 From Local to Global: A Graph RAG Approach to Query-Focused Summarization (arXiv:2404.16130) 的深入研读、工程实践与架构解读。
1. 目标
已完成 GraphRAG 构建后,检索阶段的核心目标不是重新构建图,而是根据已生成的图谱、社区和摘要,完成:
- 查询解析
- 实体/别名匹配
- 社区召回
- 社区排序
- 相关证据回传
- 最终答案生成
也就是说,检索阶段只依赖已构建出的索引对象,而不重复执行实体抽取和社区构建。
2. 检索的输入数据
在已构建好的 GraphRAG 中,通常至少存在以下数据:
entities:实体表entity_aliases:实体别名表edges:关系边与权重communities:社区表community_members:社区包含哪些实体community_summaries:每个社区的摘要claims:事实声明 / 证据
检索部分只需要使用这些结构,不需要再走文档抽取流程。
3. 检索整体流程
GraphRAG 的检索并不是“全部由 LLM 完成”,而是“规则/索引计算 + LLM 语义增强”的混合结构。
MERMAID
3.1 查询解析
用户输入一个问题后,先做:
- 关键词抽取
- 实体识别
- 别名解析
- 主题词提取
例如:
text查询:A 和 B 的合作背景是什么?
可抽取的信号:
- 实体:A、B
- 主题:合作、背景
这里通常可以由 LLM 负责,但也可以在一部分系统中用规则 + embedding 预先优化。
3.2 实体命中
通过下面几种方式多路命中候选实体,并利用 RRF(Reciprocal Rank Fusion) 或权重融合多路命中结果:
- 直接精确匹配(Exact Match)
- 别名匹配(Alias Match)
- 模糊匹配(Fuzzy Match)
- embedding 语义匹配(Semantic Match)
多路命中列表通过 RRF 融合后,得到按综合置信度排序的查询相关实体集:
3.3 扩展邻居实体
从命中的实体出发,向图中扩展一层邻居:
这里的 是图中实体之间存在的边集合。这样可以扩大召回范围,把“显性命中”扩展成“相关主题命中”。
3.4 归属到社区
把扩展后的实体映射回社区:
其中:
- 是社区 的实体集合
- 是候选社区集合
这一步的核心目的,是把“实体检索”转换成“社区召回”。
3.5 社区排序
对候选社区打分,排序后取 Top-K。打分方式支持加权综合得分或 RRF(倒数排名融合):
方式 1:加权综合评分
其中:
- :查询与社区摘要的语义相似度
- :查询实体与社区实体重叠度
- :图结构得分(如边权重、邻居强度、社区密度)
- :加权系数
方式 2:RRF 异构排名融合 由于语义相似度(余弦值)、实体重叠率(0~1)与图拓扑得分(无界计数值)量纲差异大且难以人工确定最佳权重,可分别生成三路排名列表,再通过 RRF 进行无量纲融合:
最终排序本身是基于结构化数值计算,由 Top-K 结果进入下一步。
3.6 答案生成前的 LLM 过滤
在社区排序完成后,通常还会有一个 LLM 参与的“再筛选”步骤:
- 过滤掉明显无关社区
- 判断某些社区是否仅是表面相关
- 识别哪几个社区是真正回答问题的关键社区
这一步的本质不是重新构建图,而是对已排序社区做语义再判定。
3.7 证据回传
最终返回 Top-K 社区,并附带:
- 社区摘要
- 社区实体列表
- 相关关系
- 关键 claim
- 相关证据文本
这些信息可以直接作为答案生成的上下文。
4. 关键公式
4.1 边权重公式
图边的权重是关系被重复确认的强度:
其中:
- :实体 和 之间的关系实例集合
- :该关系被抽取到的重复次数
这意味着:
- 权重越大,关系越重要
- 相关社区越可能是查询的核心答案来源
4.2 实体重叠度
社区命中文本的一个简单判断方式是:
它衡量的是:查询实体和社区实体之间的覆盖程度。
4.3 结构得分
图结构得分可由边权重和邻居密度来估算:
如果社区中包含大量与查询实体强连接的邻居,那么它更可能成为高质量检索结果。
4.4 RRF 倒数排名融合公式(Reciprocal Rank Fusion)
当存在多路异构打分渠道(如向量相似度、关键词精确匹配、图拓扑结构度数等)时,为避免复杂的跨量纲归一化和人工调权,使用 RRF 将各维度的排名直接融合:
其中:
- :参与融合的排序通路集合(例如:)
- :候选项目 (实体或社区)在通路 中的排名位置(从 1 开始)
- :平滑常数(工业界通常取 )
5. LLM 在检索中需要介入的点
LLM 在 GraphRAG 检索中并不是“全流程必经”,但在以下关键节点通常需要接入:
5.1 查询理解与意图拆分
LLM 适合做:
- 把复杂问题拆成多个子问题
- 判断哪些词属于实体、哪些属于主题
- 处理歧义和多义词
- 识别“它和什么相关”而不是只做词匹配
例如:
text查询:A 和 B 为什么会在近几个月发生合作?
LLM 可以帮助判断:
- 这是“因果/时间/关系”型问题
- 重点可能不是实体名本身,而是事件链和时间背景
5.2 语义扩展与意图重写
LLM 可以把查询变成更适合召回的表达:
- 关键词扩展
- 同义改写
- 语义归并
- 把“背景/原因/影响”这些隐式需求转成可召回的概念
如果查询是:
text“它的历史沿革”
LLM 可以推断其可能指向:
- 时间线
- 事件发展
- 关键节点
- 演进脉络
这会让检索更接近用户真实意图。
5.3 LLM 作为最终社区筛选器
即使候选社区已经按打分排序,LLM 仍然可以在候选集合上做一次“语义再判定”:
其作用是:
- 移除表面相关但实际上无关的社区
- 识别真正回答问题的最关键社区
- 根据上下文决定是否保留多个社区或只保留最强社区
5.4 证据整理和答案生成
召回后的最终步骤,本质上是“基于社区摘要的回答生成”:
这里 LLM 负责:
- 摘要融合
- 事实排序
- 去噪
- 生成最终自然语言答案
这一步通常不再是检索本身,而是“基于检索结果的生成”。
6. 检索实现的关键技术点
6.1 先查实体,再查社区
不建议直接对所有社区做全文相似度扫描。更稳定的顺序是:
- 查询实体匹配
- 扩展邻居
- 找到相关社区
- 最后在社区内做摘要召回
这样更符合 GraphRAG 的结构化检索思路。
5.2 社区摘要比原文更适合做召回
社区摘要是“压缩后的专题信息”,比原始文档更适合做召回和排序。原因是:
- 摘要覆盖的是主题上下文
- 更少噪声
- 更适合 LLM 做最终综合回答
5.3 图结构是召回的重要增强信号
仅看文本相似度可能漏掉:
- 语义不同但图关系强的节点
- 主题相近但描述不一致的实体
- 通过证据聚合形成的高价值社区
因此在 GraphRAG 检索中,图结构是关键的非文本信号。
5.4 不要重复构建
检索阶段不需要:
- 重新抽取实体
- 重做关系抽取
- 重建图谱
- 重跑社区检测
只要直接使用已构建好的数据即可。
7. 最小可用检索接口
在完成索引构建后,最小可用检索接口可以设计成以下几类:
接口 1:按问题检索相关社区
tstype RetrievalRequest = { query: string; topK?: number; }; type CommunityHit = { communityId: string; score: number; summary: string; matchedEntities: string[]; };
返回:
- 社区 ID
- 排名分数
- 社区摘要
- 命中的实体
接口 2:按社区 ID 获取详细证据
tstype CommunityDetailsRequest = { communityId: string; };
返回:
- community summary
- member entities
- related edges
- claims
- evidence snippets
接口 3:按实体名查图关联
tstype EntityNeighborsRequest = { entityName: string; depth?: number; };
返回:
- 直接邻居实体
- 关联边及权重
- 所属社区
8. 推荐落地顺序
最稳妥的检索实现顺序是:
- 先做
query -> entity匹配 - 再做
entity -> community召回 - 再做
community -> summary排序 - 最后做
summary -> answer生成
该顺序最符合 GraphRAG 的数据流,也最容易与已有构建结果对接。
9. 一句话总结
GraphRAG 的检索不是传统全文搜索,而是“基于已构建知识图的主题召回”:
- 先从查询中识别实体
- 再利用图连接和边权重扩展相关实体
- 将实体映射到社区
- 用社区摘要和结构信号排序
- 最终用最相关社区作为文档答案生成的上下文
这正是 GraphRAG 检索的核心实现思路。
typescriptfunction aggregateEdges(edges: Edge[]): AggregatedEdge[] { const existing = map.get(key); if (existing) { existing.weight += 1; } else { map.set(key, { sourceEntityId: item.sourceEntityId, targetEntityId: item.targetEntityId, relationType, weight: 1, }); } return Array.from(map.values()); } function scoreCommunity(query: string, communitySummary: string, entityNames: string[]): number { const semanticScore = similarity(query, communitySummary); const entityScore = entityNames.reduce((sum, entity) => sum + similarity(query, entity), 0); return semanticScore + 0.5 * entityScore; } function reciprocalRankFusion<T>(rankedLists: T[][], getId: (item: T) => string, k = 60): Array<{ item: T; score: number }> { const scoreMap = new Map<string, { item: T; score: number }>(); for (const list of rankedLists) { list.forEach((item, index) => { const id = getId(item); const rank = index + 1; const current = scoreMap.get(id); const rrfScore = 1 / (k + rank); if (current) { current.score += rrfScore; } else { scoreMap.set(id, { item, score: rrfScore }); } }); } return Array.from(scoreMap.values()).sort((a, b) => b.score - a.score); }
这个伪代码体现了三个关键点:
- 边权重来自重复关系计数
- 社区相关性来自文本语义 + 实体命中 + 图结构信号
- RRF 算法用于无偏融合多路异构排序(如精确匹配与语义匹配的实体融合、语义与拓扑特征的社区融合)
6. 文档中的检索实现总结
从 GraphRAG 的角度,文档中的“检索”可以概括为以下统一表达:
MERMAID
它与传统检索的关键差异在于:
- 不再只看原始文本
- 而是看知识结构
- 不再只匹配词,而是匹配主题、实体和事实网络
- 不再只返回局部答案,而是通过社区摘要得到整体答案
因此,真正的检索价值并不只在“命中某一段文档”,而在于:
- 能否稳定发现相关主题
- 能否把分散事实组织成一个知识网络
- 能否在查询时生成更高质量、且更具全局视角的答案
7. 一句话结论
GraphRAG 下的文档检索,本质上是利用“文档 → 实体/关系/声明 → 知识图 → 社区摘要”的流程,先在大规模语义网络中定位主题,再通过图结构和摘要聚合生成最终答案。这种实现更适合复杂、抽象、跨文档的查询场景。