知识图谱与推理：GraphRAG 知识图谱增强 RAG

可视化演示

动态展示GraphRAG工作流程：向量检索命中实体节点后，通过知识图谱多跳遍历发现隐含关联，对比向量检索与图谱推理的覆盖范围差异。

传统RAG局限

小镇公告栏贴满告示：“金币失窃，悬赏捉拿”。传统 RAG 的做法，就是把告示按主题分类贴好，查询时挑出主题最像的那几张。可当线索藏在“失主和当铺老板熟识”这类根本没有写进告示的关系里时，公告栏就无能为力了——它只能告诉你金币丢了，却答不出谁偷的。

RAG（检索增强生成）的核心机制，是把文档切成小块，用嵌入模型转成向量，查询时找出语义最相似的片段。这个过程很像从公告栏里找内容最接近的告示：快、直观，但只认表面的“像与不像”。这里的检索打分，最常用的就是余弦相似度。

所以传统 RAG 翻遍公告栏，也只能确认“金币在失主家”，永远答不出“谁最有可能是内贼”——因为那条线索写在人际关系里，而不是公告栏的纸面上。

知识图谱基础

治安官手里有一本厚厚的“人脉联络图”：每一页记一个人，写着“失主——雇佣——管家”“管家——供出——主使”这样的条目。这张图的价值在于，它把散落在各张告示里的名字串成了网。谁认识谁、谁帮过谁、谁最近和谁走得近，一目了然。

知识图谱就是这么一张网。它的基本元素只有两个：实体和关系。实体是“节点”（人、公司、药物、事件），关系是“边”（雇佣、治疗、导致、位于）。每条关系都可以写成“头实体—关系—尾实体”的三元组，这是知识图谱最通用的表示法。

为什么这张图比公告栏更强？因为图天然支持“顺着边跳着走”。公告栏是平面的，联络图是立体的——从失主走到当铺，再走到神秘人，一步、两步、三步，一次跨越多个文档的完整故事就串起来了。这就是图存储的核心优势：结构即信息。

GraphRAG架构

现在，镇上建起一个访客服务台。传统做法是只派一个人去翻公告栏；GraphRAG 则让服务台同时开着两条通道：一条连公告栏（向量检索），一条连治安官的联络图（图谱检索）。查询进来后，两边同时开工，最后在服务台汇总答案。

GraphRAG 的架构全景也分两块。离线索引阶段：把文档切片、向量化，同时跑实体识别和关系抽取，建出知识图谱。在线查询阶段：用户问题同时走向量召回和图遍历，两路结果合并后交给大模型生成答案。双通道的设计，让“语义相似”和“结构关联”互为补充。

服务台之所以高效，是因为两条通道的错误模式不同：公告栏漏掉的，联络图往往能补上；联络图抽不准的，公告栏的语义相似又能兜底。两者合并，正好对冲各自的盲区，这是 GraphRAG 架构设计的核心思想。

图谱构建流程

治安官决定把联络图画全，于是派巡逻警员挨家挨户登记：先问“你叫什么、住哪”（实体识别），再问“你和谁认识、什么关系”（关系抽取），最后把所有卡片钉到一张大墙上（图入库）。这一步一步，就是图谱构建的流水线。

技术实现上，图谱构建分为四步。文档解析切分：把原始 PDF、网页清洗成结构清晰的文本块。实体抽取识别：用命名实体识别（NER）找出人名、地名、机构名等关键实体。关系抽取连接：判断两两实体之间的关系类型。图入库存储：把三元组写入图数据库或内存图结构。现代方案常直接调用大模型完成抽取，并让多轮抽取结果互相校验。

巡逻警员的登记质量直接决定联络图好不好用：漏登一个人，后面所有侦察都会失明。同样，实体和关系抽取的准确率，就是知识图谱的天花板。正因如此，工程上往往要在抽取后加一轮人工抽检和去重合并。

多跳推理机制

联络图挂满整面墙后，治安官破案的方式变了：不再只问“谁直接认识失主”，而是沿着一张张卡片往后走——失主常去当铺，当铺伙计说神秘人多次典当金器，管家又承认受神秘人指使。走了三步，真凶现形。这就是“多跳推理”。

在图谱上做多跳推理，本质是广度优先搜索（BFS）或深度优先搜索（DFS）的变体。先从种子实体出发，拿到一跳邻居，再对每个邻居继续扩展，直到达到设定的最大跳数。每找到一条路径，就给路径打个分——路径越短、边关系越可信、覆盖的实体越相关，得分越高。最后把高分路径上的实体和关系片段合成答案上下文。

“朋友的朋友”之所以能破案，是因为公告栏里的信息全是“点”，而联络图把它们连成了“链”。但这条链不是越长越好——走到第三步案情清晰，走到第十步可能已经扯到隔壁镇的八卦。所以多跳推理要同时控制深度和质量。

混合检索策略

两条侦察线都回来了：公告栏那边找到“金币在失主家、当铺在街角”的告示；联络图那边找到“失主→当铺→神秘人→主使”的关系链。治安官把两份情报按重要程度排好序，钉在同一块案情板上，这才拼出全貌。这是双通道之后的融合环节。

混合检索的工程实现通常分三步。向量召回：从向量库取 top-K1 个相似片段。图召回：从图谱取 top-K2 条路径对应的上下文。融合重排序：用倒数排名融合（RRF）或加权相加把两路合并，再按分数重排，最终取前 K 条喂给大模型。RRF 的好处是不依赖两路分数的绝对尺度，只比排名。

情报板上两套线索写着同一件事的不同侧面：告示给出事实背景，联络图给出因果链条。两者合并起来，大模型才拿到“既知道金币在哪，又知道谁动了它”的完整叙事。混合检索不是简单拼接，而是通过重排序让最相关的证据排在最前面。

工程实践应用

小镇试点成功后，治安官把方案推广到整个城市。可城市有十万居民，上万张告示——翻公告栏快但浅，走联络图深但慢。系统的落地不再是画一张图那么简单，而是要面对数据规模、更新频率、算力成本三道坎。

工程落地的核心挑战有三个。图谱抽取质量：大模型抽取实体关系会有幻觉，必须加校验规则和人工抽检。性能优化：图遍历在超大图上容易爆炸，常用策略是先做子图裁剪、只保留与种子实体相关的局部区域，再配合缓存加速。评估方式：用多跳问答数据集测 Hit@K 和 F1，看系统在“需要串联多个实体”的问题上是否真的变强了。

从小镇到城市，GraphRAG 的旅程告诉我们：图纸画得好不好，决定系统能用多久；管线跑得快不快，决定系统能服务多少人。知识图谱不是银弹，但只要你面对的是“关系复杂、追问多跳”的真实场景，它就是最值得优先考虑的增强方案。

---

AI 应用场景

Python 演示

"""迷你 GraphRAG 演示：向量召回 + 图遍历多跳推理的融合问答""" from collections import deque  class MiniGraphRAG:    def __init__(self):        self.triples = []        self.entity_docs = {}        self.adjacency = {}     def add_triple(self, head, relation, tail, doc):        self.triples.append((head, relation, tail, doc))        self.entity_docs.setdefault(head, []).append(doc)        self.entity_docs.setdefault(tail, []).append(doc)        self.adjacency.setdefault(head, []).append((relation, tail))        self.adjacency.setdefault(tail, []).append((relation + "_inv", head))     def vector_retrieve(self, query, top_k=3):        q_words = set(query.replace("?", "").replace("?", "").split())        scored = []        for entity, docs in self.entity_docs.items():            for doc in docs:                overlap = len(q_words & set(doc.split()))                scored.append((overlap, entity, doc))        scored.sort(key=lambda x: -x[0])        return scored[:top_k]     def graph_retrieve(self, seed, max_hops=2):        found = []        visited = {seed}        queue = deque([(seed, 0)])        while queue:            node, depth = queue.popleft()            for relation, neighbor in self.adjacency.get(node, []):                if neighbor in visited:                    continue                visited.add(neighbor)                if depth + 1 <= max_hops:                    found.append((depth + 1, node, relation, neighbor))                    queue.append((neighbor, depth + 1))        return found     def query(self, question):        context = []        seeds = self.vector_retrieve(question, top_k=2)        for score, entity, doc in seeds:            if score > 0:                context.append(doc)                for hop, src, rel, dst in self.graph_retrieve(entity):                    context.append("{} --{}--> {}".format(src, rel, dst))        return context if context else ["未找到相关信息"]  def main():    rag = MiniGraphRAG()    rag.add_triple("失主", "雇佣", "管家", "失主雇佣了管家负责宅邸杂务")    rag.add_triple("失主", "常去", "当铺", "失主最近频繁出入同一条街的当铺")    rag.add_triple("当铺", "接待", "神秘人", "当铺伙计说神秘人多次典当金器")    rag.add_triple("神秘人", "指使", "管家", "管家承认受神秘人指使盗取金币")    rag.add_triple("管家", "供出", "主使", "管家供出幕后主使就是神秘人")     print("=== 传统 RAG（只看关键词匹配）===")    for score, entity, doc in rag.vector_retrieve("金币失窃 谁干的"):        print("  [{}] {}: {}".format(score, entity, doc))     print("\n=== GraphRAG（图遍历多跳推理）===")    for line in rag.query("金币失窃 谁干的"):        print("  " + line)     print("\n=== 图遍历路径（从失主出发 2 跳内）===")    for hop, src, rel, dst in rag.graph_retrieve("失主", max_hops=2):        print("  跳数{}: {} --{}--> {}".format(hop, src, rel, dst))  if __name__ == "__main__":    main()

1. self.adjacency.setdefault(head, []).append((relation, tail))用邻接表存图，每个实体挂着“边关系 + 邻居实体”的列表。
2. q_words = set(query.replace("?", "").replace("?", "").split())模拟向量检索的分词环节，用关键词重合度代替真实嵌入模型。
3. overlap = len(q_words & set(doc.split()))词集合交集大小就是“语义相关度”的简易替身。
4. queue = deque([(seed, 0)])BFS 队列初始化，元组第二项记录当前深度，用于控制最大跳数。
5. for relation, neighbor in self.adjacency.get(node, [])遍历当前实体的所有邻居，这就是图检索的“扩展一步”。
6. found.append((depth + 1, node, relation, neighbor))记录跳数、起点、关系和终点，构成一条可读的推理链。
7. context.extend("{} --{}--> {}".format(src, rel, dst))把图路径转成文字拼进上下文，大模型据此生成最终答案。
8. rag.add_triple("失主", "常去", "当铺", "...")录入三元组时同时建立正向和反向边，保证双向遍历。

常见误区

面试题