090｜GraphRAG：当问题问的是整个资料库，检索几段相似文本还够吗

返回目录 · 发展时间线

论文：Darren Edge 等，From Local to Global: A GraphRAG Approach to Query-Focused Summarization，首次公开于 2024。本文依据2025 年修订的 v2，包括新增的声明数量与多样性评估；实现见官方仓库。版本中的实验范围与当前软件全部功能不等同。

图表来源：Darren Edge 等，2024，原文；CC BY 4.0。本篇展示做了图形区域裁切，图中数据与标签未改动。

先接住前作的问题

RAG擅长找局部事实，最相似几段却未必代表资料库的共识与分歧。本篇直接扩展检索问题范围，以社区摘要组织全局主题；Self-RAG检查逐句支持性，是不同的可靠性轴。

五个前置概念

五个前置概念：向量检索按表示相似度找片段；实体对齐判断不同提及是否指向同一对象；社区发现寻找连接紧密的节点组；map-reduce先局部处理再合并；相对胜率表示评估者偏好一方的比例，不是事实准确率。

一、问题设定：局部相关片段怎样扩展为全库观点覆盖

询问公司成立时间可依赖少数片段，询问一批访谈的监管分歧则需要覆盖多方观点和例外。相似度检索没有代表性保证，本篇用图与层级摘要组织跨文档信息，并必须验证图相对无图全局处理究竟增加多少价值。

这是文档问答和面向查询的摘要任务，不是强化学习。模型没有通过环境奖励训练；图也不是可学习的环境动力学模型。输入是资料库与查询，输出是有来源关联的综合回答，系统的新工作主要在索引和推理流程。

作者使用“global sensemaking”强调全局理解。这个任务定义很重要，因为论文的评价问题本来就要求全局覆盖。若实际任务是精确日期、代码行或法律条款定位，不能直接套用这里的相对胜率。

二、用实体社区组织两次压缩并核算统计分母

1. 文本分块与元素抽取

语言模型从每块文本抽取实体、关系和相关声明，并生成描述。抽取结果保留与原文的联系，之后将多次出现的元素聚合。

原实验的实体对齐使用精确字符串匹配。因此同名异物可能被合并，别名可能被拆开。作者认为很多重复节点会聚到相近社区，但这不是普遍保证，更不是已经完成严格实体消歧。

关系在多处出现会影响边权。频繁出现的关系有更大组织作用，却不意味着它更真实；转载、重复报道或偏置语料也会提高频次。

2. Leiden 社区与层次摘要

系统递归进行社区划分。每一层覆盖图中的节点，再向下细分出更具体的主题。它按社区聚合实体、边和声明，生成报告式摘要；高层如果放不下全部原始描述，就用子社区摘要代替。

这里“覆盖所有节点”仅指已抽取的图节点。若某个细节在最初抽取时丢失，完整社区覆盖也不会让它回来；若摘要压缩抹掉了少数观点，后续 map-reduce 同样无法无中生有恢复证据。

3. Map-reduce 回答查询

选择社区层级后，将摘要打乱并打包进多个上下文。各包独立生成与查询相关的局部回答，并自评帮助程度，零分的回答被过滤。其余按评分排序，放入最终窗口，由模型合成全局回答。

随机打乱的作用是分散相关信息，避免它恰好挤在一个窗口而被忽略；它不是随机抽掉大部分资料。局部评分也不是经过训练的、校准良好的置信度，不能把 90 分解释为事实正确概率 90%。

下面是教学抽象。对社区集合 $\mathcal C_\ell$，预处理生成摘要 $s_c$，查询 $q$ 到来时产生局部答案与评分：

$$s_c=\operatorname{Summarize}(c),\qquad (a_j,w_j)=\operatorname{Map}(q,\operatorname{Pack}(\{s_c\})),$$

$$a=\operatorname{Reduce}\big(q,\operatorname{TopBudget}(\{a_j:w_j>0\},w_j)\big).$$

这是系统流程表达，不是原文的新损失函数。$\ell$ 控制抽象粒度，预算决定最终能保留多少局部答案。系统优化的是面向问题的信息组织；实验改善的指标是回答全面性、多样性等，而不是训练交叉熵下降。

高层摘要更少、更便宜，也更容易丢失细节。低层摘要更多，可能覆盖具体观点，却需要更多查询计算。这是可调的索引粒度，而不是一个所有任务共用的固定最佳层级。

两次压缩，为什么“遍历全部社区”仍可能漏掉少数观点？

从原文到社区摘要是第一次压缩，从局部答案到最终窗口是第二次压缩。设三个社区分别含80、15、5份文档，最后每个社区只贡献一份摘要。如果综合时把三份摘要等量对待，就容易把小社区观点看成三分之一的意见；但80/15/5也不能直接当成人群比例，因为文档可能重复、作者可能反复发言。这是原创教学例，说明覆盖单位和统计分母必须先定义。

反过来，若小社区关于某项风险的局部答案自评分较低而未进入最终窗口，第一阶段完整遍历也不会阻止该风险消失。原文 §3.1.6 使用帮助度排序、按预算纳入局部回答，因此最终可追溯性需要检查“哪条陈述来自哪个局部答案、哪个社区、哪些原文”，不能只检查曾经建立过覆盖全图的分区。

索引何时值得摊销？ 令一次建索引费用为 $I$，GraphRAG单次查询费用为 $c_g$，无图全局摘要费用为 $c_t$，同一索引复用 $Q$ 次。仅比较这些费用时，GraphRAG更省的条件是 $I+Qc_g<Qc_t$，即在 $c_t>c_g$ 时 $Q>I/(c_t-c_g)$。自构取 $I=100,c_g=0.2,c_t=0.8$ 个同一计价单位，至少167次查询才跨过收支点。该数值不是论文报价，还未计数据更新、索引重建和质量差异。

所以表2的查询上下文压缩说明“重复问全局问题”可能划算；它不意味着给一个不断更新的资料库只问一次问题也必然节省。原文TS无图基线尤其重要，因为它同时检验全局处理本身能带来多少收益。

假设资料库有 100 次访谈，30 次谈隐私监管、20 次谈开源、10 次谈两者冲突，其余话题分散。查询“技术领导者对开放与监管的主要分歧是什么”时，向量检索可能集中找到措辞最接近的 5 次访谈，却漏掉另一阵营。

社区摘要可以分别保留隐私、开源和交叉讨论，再生成综合比较。但如果抽取器把“反对全面开放”错误归成“支持全面开放”，多层汇总会放大而非修正这个错误。因此好答案应把趋势、相反观点和具体来源分开，而非仅列出更多论点。

追溯链应从最终论断回到原句

一条最终结论先对应某个局部答案，再对应社区摘要，最后才回到原文。若只核对“社区摘要确实这么说”，无法发现第一次压缩已把“部分受访者”变成“所有人”。可逐级保留支持片段与限定词；全面性评委偏爱长答案，也不能替代这条逐声明核查链。

教法联系：Lilian Weng的Extrinsic Hallucinations in LLMs。算例为本文自构。

三、离线建图摘要，再按预算汇总局部回答

离线输入：文档库
将文档切块，抽取实体、关系、声明及来源
合并重复元素，建立加权实体图
递归划分图社区
从底向上生成社区摘要；必要时用子社区摘要压缩内容
保存图、元素来源和各层摘要

在线输入：问题、选定社区层级、上下文预算
打乱该层摘要并打包为多个上下文
并行生成每包的局部答案及帮助评分
过滤零分答案，按评分排序
将预算允许的局部答案汇入最终上下文
生成全局回答及来源关联

四、保留无图全局基线以分离覆盖与图的收益

热图先比较全局与局部，再比较图方法与无图TS；查询token压缩、声明数量和事实准确性是不同测量。

依据 §3–5。访谈图包含 8564 节点、20691 边，新闻图包含 15754 节点、19520 边。访谈索引报告耗时 281 分钟，运行于 16GB RAM 的虚拟机并调用 GPT-4 Turbo API；这个时间包含外部服务条件，不能当作纯本地 CPU 算法复杂度。

相同 8K 窗口只控制每次调用容量。GraphRAG 和 TS 会多次调用模型，SS 主要将检索内容塞进一次回答窗口，因此它们不是总算力严格匹配的实验。图索引费用还能被多次查询摊销，但不能从每次查询输入量中直接忽略。

证据一：图2、附录表6，全局方法优于局部检索的覆盖。 各全局方法对 SS 的全面性胜率在访谈为 72–83%、新闻为 72–80%，多样性也占优。这些区间包括无图 TS，支持“全局处理重要”，不能全部记在图的账上。SS 在直接性上更强，赋能指标则结果混合。 热图中每格是行方法胜过列方法的比例；对角50%是展示用参考值，不是实际完成了自我对比实验。四种评判指标应分别读。

证据二：图2，图相对全文摘要的额外增益较小。 访谈中间层与新闻低层相对 TS 的全面性胜率分别为 57% 和 64%，多样性为 57% 和 60%。这支持社区组织可能有帮助，但远小于对局部 SS 的差距。根层摘要通常更省，却不是所有质量指标的赢家。

证据三：表2，压缩索引降低查询处理量。 访谈 C0 摘要共 26657 token，对比 TS 的 1014611；新闻 C0 为 39770，对比 1707694。按表中数值计算，分别约为原文输入规模的 2.63% 和 2.33%，减少约 97.4% 和 97.7%。这只是所统计的上下文单元 token，不能写成包含建图与输出费用的总成本下降 97%。

证据四：表3、表4，替代指标支持部分结论，也收窄部分结论。 新闻 C0 平均 34.18 条声明，SS 为 25.23；访谈 C2 为 32.46，SS 为 26.50。声明更多与“全面”一致，但并未逐条证明正确。多样性聚类在新闻上依阈值变化；§5.2 还说明全局图方法相互之间、以及它们与 TS 之间没有显著的声明指标差异。

证据五：§5.2，评估器一致性是有条件的。 非平局子集里，LLM 偏好与声明指标的一致比例为全面性 78%、多样性约 69–70%；这些子集仅占全部比较的 33% 和 39%。不能把条件一致率误写成所有答案比较上的一致率。

五、压缩遗漏、索引更新和事实核查仍限制可靠性

它不同于单纯从知识图谱检索三元组，也不同于查询时沿图不断搜索的代理。

建图和层次摘要产生额外费用，更新文档还可能要求更新实体、社区与摘要。长期稳定、多次查询的资料库更容易摊销成本；只问一次或资料高速变化时，是否划算需要重新计量。这是系统成本分析，论文未给出对所有工作负载的盈亏平衡点。

事实性是未充分完成的验证。声明抽取回答中的可验证断言，并不自动核对它们是否与原文一致。声明更多可能是覆盖更好，也可能是增加了错误陈述。作者在 §6.1 明确把生成虚构内容的比较列为进一步工作。

使用语言模型生成问题和判分，可能偏向它擅长的回答风格。重复五次评判减少部分随机性，却不会消除系统性长度偏好、提示偏好或共同知识错误。直接性作为对照有意义，但不能替代长度匹配或人工来源审计。

社区划分也偏向图中连接明显的主题，罕见但关键的孤立事件可能在摘要中弱化。频率不是重要性，更不是真实性。对于决策场景，仍需要回到具体原文，检查时间、否定、冲突和少数观点。

六、让全局覆盖与逐条来源支持共同成立

全局覆盖之外，回看Self-RAG的逐句支持与DeepVerifier的事后查证。社区图可以组织来源，却不能替每条最终声明提供真值或自动发现压缩遗漏。

自测：能否选择正确的比较对象

1. GraphRAG 比向量 RAG 全面，是否证明知识图谱本身不可替代？

不能。无图 TS 也对整个资料库做 map-reduce，在全面性和多样性上同样明显优于 SS。隔离图的作用应比较 C0–C3 与 TS，并同时报告索引、查询总量和质量。论文支持图组织加压缩有价值，不支持所有收益都来自图。

2. C0 查询上下文减少约 97%，为什么不能宣布系统总费用减少 97%？

该比例比较的是摘要与原文上下文单元的 token 数，不包含全部建图、摘要生成、局部回答输出、最终回答和更新费用。总费用还取决于查询次数、模型价格与缓存。只有固定工作负载并把全部阶段计入，才能比较系统总成本。

3. 回答包含更多声明和更多声明簇，是否意味着更值得信赖？

不一定。这些指标反映内容量和表达差异，没有自动验证声明真实性。应回溯引用原文检查支持关系、矛盾和时间范围，并区分有证据的概括与推断。丰富、全面、正确是相关但不同的评价维度。