大模型知识图谱融合实战：GraphRAG检索增强生成架构与知识抽取流程

GraphRAG与传统RAG的区别

检索增强生成（RAG）技术在大语言模型应用中已广泛落地，但传统基于向量相似度的检索方式在面对跨文档推理、全局性问题时表现不佳。GraphRAG通过引入知识图谱结构，将文本片段之间的关联关系显式建模，使模型在检索阶段不仅能匹配语义相似的文本，还能沿图谱路径完成多跳推理。

GraphRAG的核心流程分为三个阶段：知识抽取、图谱构建、图谱增强检索。知识抽取阶段从原始文档中识别实体和关系；图谱构建阶段将实体作为节点、关系作为边构建有向图；检索阶段通过图遍历算法找到与问题相关的子图，再将子图内容拼接为上下文输入给大模型生成回答。

知识抽取与图谱构建流程

知识抽取是GraphRAG的基础环节。以LangChain + LlamaIndex的GraphRAG实现为例，首先需要安装依赖：

pip install llama-index llama-index-graph-stores pyvis

配置大模型和嵌入模型后，使用LLM从文档中抽取实体和关系三元组：

from llama_index.core import KnowledgeGraphIndex, SimpleDirectoryReader
from llama_index.core import StorageContext, ServiceContext
from llama_index.core.graph_stores import SimpleGraphStore
from llama_index.llms.openai import OpenAI

# 加载文档
documents = SimpleDirectoryReader("./docs").load_data()

# 配置图存储
graph_store = SimpleGraphStore()
storage_context = StorageContext.from_defaults(graph_store=graph_store)

# 配置LLM用于知识抽取
llm = OpenAI(model="gpt-4o", temperature=0.1)
service_context = ServiceContext.from_defaults(llm=llm, chunk_size=512)

# 构建知识图谱索引
kg_index = KnowledgeGraphIndex.from_documents(
    documents,
    max_triplets_per_chunk=5,
    storage_context=storage_context,
    service_context=service_context,
    include_embeddings=True,
)

max_triplets_per_chunk控制每个文本块抽取的三元组数量，数值越大图谱越密集但抽取时间越长。include_embeddings=True为每个节点生成向量嵌入，支持混合检索模式。

社区检测与层次化摘要生成

GraphRAG的进阶应用涉及社区检测算法。微软开源的graphrag库实现了层次化聚类，将知识图谱中的密集子图划分为社区，并为每个社区生成摘要，支持全局性问题的回答。

pip install graphrag

初始化项目并配置：

graphrag init --root ./graphrag_project

# 修改 settings.yml 核心参数
# chunks:
#   size: 1200
#   overlap: 100
# community_reports:
#   max_length: 2000
# entity_extraction:
#   entity_types: [organization, person, location, event]

构建索引时，graphrag会自动完成实体抽取、关系识别、社区检测（Leiden算法）和层次化摘要生成：

graphrag index --root ./graphrag_project --method standard

索引完成后生成以下数据文件：

• create_final_entities.parquet – 实体表
• create_final_relationships.parquet – 关系表
• create_final_communities.parquet – 社区表
• create_final_community_reports.parquet – 社区摘要

全局检索与局部检索的区别

GraphRAG支持两种查询模式：全局检索（global search）和局部检索（local search）。全局检索遍历所有社区摘要，适合回答”这个领域有哪些主要趋势”这类宽泛问题；局部检索从问题相关实体出发，沿图谱路径扩展，适合回答”X公司与Y公司有什么关系”这类具体问题。

# 全局检索
graphrag query --root ./graphrag_project \
  --method global \
  --query "该领域有哪些核心技术趋势？"

# 局部检索
graphrag query --root ./graphrag_project \
  --method local \
  --query "张三与公司A之间是什么关系？"

Neo4j存储与大规模图谱管理

当知识图谱节点规模超过十万级，SimpleGraphStore的内存存储方式不再适用。Neo4j作为原生图数据库，支持Cypher查询和图算法，适合承载大规模GraphRAG知识图谱。

from llama_index.graph_stores.neo4j import Neo4jGraphStore

graph_store = Neo4jGraphStore(
    username="neo4j",
    password="your_password",
    url="bolt://localhost:7687",
    database="neo4j",
)
storage_context = StorageContext.from_defaults(graph_store=graph_store)

kg_index = KnowledgeGraphIndex.from_documents(
    documents,
    storage_context=storage_context,
    max_triplets_per_chunk=10,
    include_embeddings=True,
)

Neo4j存储后可使用Cypher查询直接验证图谱结构：

MATCH (e:Entity)-[r:RELATES_TO]->(t:Entity)
WHERE e.name CONTAINS "张三"
RETURN e.name, type(r), t.name
LIMIT 20;

也可以调用Neo4j内置的GDS图算法库执行社区检测、节点相似度计算等操作，将结果回传给GraphRAG的检索层。

检索质量评估与调优

GraphRAG的检索质量取决于知识抽取准确率和图谱结构合理性。评估指标包括实体召回率、关系精确率、答案忠实度。可通过以下方式调优：

• 调低LLM抽取温度（temperature=0.1~0.3）提升三元组一致性
• 对实体名称做归一化处理，合并同一实体的不同表述
• 设置关系置信度阈值，过滤低频低概率关系
• 在检索阶段结合向量相似度和图路径距离做混合排序

在评估数据集上对比GraphRAG与传统向量RAG的答案质量，GraphRAG在多跳推理类问题上的准确率通常提升15%至30%，但在简单事实类问题上因额外开销可能略慢。实际部署中应根据问题类型动态选择检索策略。