GraphRAG
微软Research推出的图增强检索生成项目，将知识图谱与RAG技术结合，为大模型提供结构化上下文以提升代码和文档理解能力
Core Facts
Timeline (last 90 days)
系统封装了三种检索工具：向量混合检索、实体查询、路径综合
意图路由器将用户请求归类到四条执行路径之一：vector_search、entity_lookup、path_synthesis 或 general
TRACE的表现优于原始的RAG（检索增强生成）和通用的GraphRAG
Vex的未来路线图包括引入Rust作为分块引擎实现更高级的子分块、加入全局GraphRAG提升跨文件关联检索、支持更多编程语言
GraphRAG需要专门的实体抽取管线、图模式设计以及图更新与向量索引之间的同步机制，工程复杂度高
GraphRAG在多跳推理类问题上相比传统RAG有显著提升
现有的RAG与GraphRAG方法过度依赖词汇或语义相似度，忽略了法律条文之间的规范性关系
测试用例生成方案分五个进阶层级，单智能体加提示词覆盖度仅约30%，工作流方式覆盖度可达约80%，探索学习方式覆盖度可达90%以上
GraphRAG的做法是从文档中抽取实体与关系，以节点和边形式存入图数据库，检索时先用向量召回候选节点再沿图的边做多跳推理
向量+图的组合思路是近年来GraphRAG方向兴起的核心动因
26 more timeline events
All Facts (20)
GraphRAG的核心是把知识图谱融入传统RAG流程，以三元组（两个实体及其关系）形式组织信息
90%VerifiedRAG（检索增强生成）是一种结合信息检索与生成式大模型的架构范式，模型生成答案前先根据用户查询从外部知识库检索最相关的文档片段，再将其作为上下文注入模型
70%VerifiedGraphRAG的做法是从文档中抽取实体与关系，以节点和边形式存入图数据库，检索时先用向量召回候选节点再沿图的边做多跳推理
65%Verified传统RAG依赖分块检索，将文档切分成片段后通过向量相似度匹配返回最相关段落，无法捕捉实体之间的逻辑关系和因果链条
65%Verified微软2024年的研究实验证明，GraphRAG在需要跨多个文档综合推理的全局性问题上比标准RAG表现显著更优，但索引构建成本和查询延迟均有所上升
65%Verified微软于2024年提出GraphRAG，属于图谱记忆方向的探索
65%VerifiedGraphRAG架构通过知识图谱显式建模角色关系与事件因果链来弥补纯向量检索的局限
65%VerifiedGraphRAG通过社区检测算法（如Leiden算法）对知识图谱进行层次化聚类，生成不同粒度的社区摘要
65%Verified微软研究院2024年发布了GraphRAG论文，证明GraphRAG在处理结构化知识时比传统RAG准确率提升显著
65%UnverifiedSkill Seeker的文档转Skills自动化方向与微软Research提出的GraphRAG思路相近
65%Unverified该解决方案采用agentic retrieval让检索过程具备主动推理能力，并通过Cypher查询语言在图上进行结构化查询
60%UnverifiedGraphRAG Blueprint提供局部模式和全局模式两种检索模式，局部模式针对事实层面精确问答，全局模式面向跨文档综合归纳
60%UnverifiedGraphRAG通过构建知识图谱，将函数、类、模块作为节点，将调用关系、继承关系、依赖关系作为边来组织代码知识
60%Unverified意图路由器将用户请求归类到四条执行路径之一：vector_search、entity_lookup、path_synthesis 或 general
50%Unverified系统封装了三种检索工具：向量混合检索、实体查询、路径综合
50%UnverifiedTRACE的表现优于原始的RAG（检索增强生成）和通用的GraphRAG
50%UnverifiedGraphRAG需要专门的实体抽取管线、图模式设计以及图更新与向量索引之间的同步机制，工程复杂度高
50%UnverifiedGraphRAG在多跳推理类问题上相比传统RAG有显著提升
50%Unverified现有的RAG与GraphRAG方法过度依赖词汇或语义相似度，忽略了法律条文之间的规范性关系
50%Unverified测试用例生成方案分五个进阶层级，单智能体加提示词覆盖度仅约30%，工作流方式覆盖度可达约80%，探索学习方式覆盖度可达90%以上
50%