GraphRAG

GraphRAG 是 Microsoft Research 提出的 图谱增强检索范式，也有同名开源实现。它不是单纯的图数据库，也不是普通向量 RAG，而是把 实体/关系抽取、层次聚类、社区摘要、分层查询 串成一条完整链路。

一句话定位

• GraphRAG = 图构建 + 社区摘要 + 分层检索 + 生成

它在做什么

• 切分原始文本为 TextUnits
• 抽实体、关系、关键主张
• 用 Leiden 做层次聚类，形成 community hierarchy
• 自底向上生成社区摘要
• 查询时按问题类型选择 Global / Local / DRIFT / Basic Search

核心价值

• 解决 baseline RAG 难以“连线”和“做全局综合”的问题
• 适合长文档、私有语料、主题反复出现、概念演化明显的场景
• 对“整个语料库的主线是什么”这类问题，比纯向量召回更合适

主要限制

• 索引昂贵，前处理成本高
• 更新不便宜，增量维护比轻量检索更重
• 需要 prompt tuning，不是开箱即满血
• 社区/层级偏静态聚类，对时间演化不是原生强项

与相关概念的区别

• 与 [2026-04-11-buffett-graph-tech-choice](/wiki/queries/2026-04-11-buffett-graph-tech-choice) 的关系：GraphRAG 更像主干方法，Graphify 更像图谱前处理手段
• 与 [letta](/wiki/concepts/letta) 的关系：Letta 走的是 stateful agent / memory platform 路线，GraphRAG 走的是 corpus-level retrieval 路线

适合谁

• 做长文集研究、专题分析、知识库问答的人
• 想做跨文档连线、主题穿线、证据回链的人
• 想研究“图如何增强 RAG”这一方法的人

我的判断

GraphRAG 不是噱头，但也不是应该无脑直接上的第一选择。它最适合被当作 高级检索 / 分析层：当你已经有基础召回，再需要全局综合、主题聚合和证据链时，它的价值才真正出来。