GraphRAG 三种搜索模式全解析：别再只会一种查法

📝

GraphRAG 不止"抽图→查图"一种用法。局部搜索、全局搜索、DRIFT 搜索三种模式各有用武之地；LazyGraphRAG 将索引成本砍到 0.1%，但真实增益需控制评测偏差后的衡量。

很多人以为 GraphRAG 就是”抽个图、查个图”一种查法。其实它有三种搜索模式，而且多数人只会用一种、还经常用错。

三种搜索模式

模式	原理	适用场景	成本
局部搜索	顺着实体邻居扇出，查具体的人/事/概念	问具体实体	快且便宜
全局搜索	对所有社区摘要做 map-reduce	问”整库在讲什么”	贵
DRIFT 搜索	先全局定位再局部下钻	既要全局又要细节	中间

怎么选？

• 问具体实体 → 局部
• 问全库主题 → 全局
• 既要全局又要细节 → DRIFT
• 一两段就能答的简单题 → 别硬上 GraphRAG，普通向量检索更便宜也够用

建图才是最贵的

GraphRAG 最贵的不是查询，是建图。完整版要 LLM 把每个实体、关系、社区摘要都抽一遍，索引成本能比向量贵 100–1000 倍。

好消息：2024 年底微软出了 LazyGraphRAG——查询时才建图，索引成本直接砍到 0.1%（和向量检索一样），全局查询还便宜约 700 倍。

不止微软一套

GraphRAG 早已不只是微软的项目：

方案	特点
LightRAG	扁平图，1/100 成本拿 70–90% 效果
KG2RAG	知识图谱增强检索
ToG-2	思维图谱推理
HybridRAG	混合检索架构

真实效果：别被”吊打”忽悠

2025 年一篇 meta 分析发现了一个关键问题：控制了位置/长度/试验等评测偏差后，很多 GraphRAG 的”吊打”优势会缩水。

• LightRAG 原本 72% 胜率，纠偏后普通 RAG 反而略胜
• 通用场景真实增益经常 < 10%
• 3–4 倍的提升只在合规、医疗这种真正需要多跳推理的领域才出现

一句话结论

GraphRAG 不是万能银弹。简单问题用向量检索足够；真正需要多跳推理的企业级场景（合规、医疗、法律），才值得上 GraphRAG。

本文整理自小红书笔记，原作者 智道 AI - Lin Grace。