34K Star 的 GraphRAG——微软的「知识图谱+RAG」组合拳

📝

微软开源的 GraphRAG（34.5K Star）用知识图谱+LLM 解决传统 RAG 的跨文档推理盲区——先抽实体关系建图谱，再通过 Local Search 和 Global Search 两种模式回答问题，让企业 AI 真正「读懂」私域文档。

微软研究院开源的 GraphRAG——基于知识图谱的检索增强生成系统。34.5K Star、MIT 协议、Python 实现，至今仍在活跃更新。

核心思路： 传统 RAG 是「关键词匹配 + 段落切片」，GraphRAG 是「实体关系图谱 + 全局推理」——让 AI 回答传统 RAG 答不上来的跨文档、跨实体的复杂问题。^[2024 年 7 月论文：From Local to Global: A Graph RAG Approach to Query-Focused Summarization]

传统 RAG 的四个盲区

痛点	表现
相似度 ≠ 相关性	「去年营收下降 20%」和「为什么营收下降」在 embedding 空间不相邻，但人脑知道相关
跨文档推理失效	向量检索返回段落，但不会把几十份文档的信息「拼」起来
实体关系不可见	A 段提张三、B 段提李四——看不出他俩是上下级
全局性问题无解	「公司价值观是什么」需要遍历整个语料库做归纳

🧠 GraphRAG 的两阶段工作流

第一阶段：建图谱（一次性预处理）

文档 → LLM 实体抽取 → 实体列表（人/产品/组织/事件）
     → LLM 关系抽取 → 有向图（节点+边）
     → 社区检测 + 摘要 → 分层社区 + 语义地图
     → 存储：图谱 + 社区摘要 + 原始 chunks

第二阶段：查询（实时问答）

模式	场景	机制
Local Search	聚焦某个实体	从图谱取该节点 → 召回相邻节点 → 生成答案
Global Search	全景分析/汇总	把所有社区摘要喂给 LLM → 读完全图后总结趋势

🚀 快速上手

pip install graphrag
mkdir -p ./ragtest/input
cp your-docs/*.txt ./ragtest/input/
graphrag init --root ./ragtest

# 配置 API key：编辑 ./ragtest/.env
GRAPHRAG_API_KEY=sk-...

# 建索引（首次 30 分钟-数小时）
graphrag index --root ./ragtest

# 提问
graphrag query --root ./ragtest --method global \
  --query "公司过去三年的研发投入趋势是什么？"

省钱技巧： 索引用 gpt-4o-mini（便宜 10 倍），查询用 gpt-4o 或 claude-3-5-sonnet。

🎯 适用场景

场景	适配度
企业内部知识库	⭐⭐⭐⭐⭐ 最香
学术研究/法律分析	⭐⭐⭐⭐
医疗/临床指南	⭐⭐⭐⭐
情报分析/投资研究	⭐⭐⭐⭐
新闻舆情分析	⭐⭐⭐
简单 FAQ / 单文档	❌ 过重
实时数据	❌ 不快

⚖️ 竞品对比

维度	GraphRAG	LightRAG	LangChain
定位	图谱 RAG 实现	轻量图谱 RAG	RAG 框架
特点	微软背书+论文+34K⭐	更快、跨语言好	定制空间大
适合	严肃企业项目	快速实验	需要深度定制

🔮 判断

未来 18 个月内，所有严肃的企业知识库 AI 项目都会演化成「图谱 RAG + 向量 RAG」双引擎方案。图谱做全局推理，向量做局部召回，组合回答。

仓库： github.com/microsoft/graphrag
文档： microsoft.github.io/graphrag

原文来源： 微信公众号「局座」（2026-07-25）