From Local to Global: A Graph RAG Approach to Query-Focused Summarization
约 1380 字大约 5 分钟
PapersGraphRAG
2026-10-14
摘要
用检索增强生成从外部知识源取出相关信息，可以让大语言模型回答私有语料、或模型此前没见过的文档集合上的问题。常规 RAG 处理不了指向整个文本库的全局问题，例如「这个数据集里的主题是什么」：这本质上是面向查询的摘要，不是一次把相关片段检出来。已有的面向查询摘要方法，又扩不到典型 RAG 系统所索引的文本量。GraphRAG 把两边的长处合在一起，用图来对私有文本库做问答，使方法既能跟上问题有多宽，也能跟上源文本有多大。索引分两步，都由语言模型完成：先从源文档抽出实体知识图，再为每一组紧密相关的实体预先写成社区摘要。提问时，每个社区摘要先各自生成一段部分回答，再把这些部分回答汇总成最终回答。在大约一百万 token 的数据集上，对一类需要把握全局的问题，GraphRAG 生成的答案在全面性和多样性上都明显好于常规 RAG。
总结
GraphRAG 把知识图生成和面向查询的摘要接在一起，用来支持人对整个文本库做意义建构。初步评估里，相对向量 RAG，答案的全面性和多样性都有明显提升；相对另一种同样面向全局、但不建图、直接对源文本做 map-reduce 摘要的做法，也比较占优。同一份数据集上如果要反复做全局查询，实体图索引里根层社区的摘要是一种更好的索引：它优于向量 RAG，并且只用少得多的 token，就能达到和其他全局方法相当的效果。
核心 Insight：自然语言当关系
GraphRAG 的边不是谓词符号，而是一句话。整张知识图从头到尾都不是给符号推理引擎用的，而是给 LLM「读」的——图是一种面向摘要的索引结构，不是面向查询的推理结构。
关系是怎么定义的
§3.1.2 与附录 E.1 的抽取 prompt 输出四元组 (source, target, description, strength)。description 的 prompt 原文是 "explanation as to why you think the source entity and the target entity are related"——要的不是关系类型，而是一段解释性自由文本。
论文自己的例子最能说明问题：源文本里两句分散的话（"was acquired by Quantum Systems in 2016" 和 "shares surged in their first week of trading"），被综合成一条关系：
Quantum Systems owned NeoChip from 2016 until NeoChip became publicly traded.
这句话在原文里根本不存在。§3.1.3 自己承认："The use of an LLM to extract entities, relationships, and claims is a form of abstractive summarization – these are meaningful summaries of concepts that, in the case of relationships and claims, may not be explicitly stated in the text." 所以「抽取」在这里名不副实——实际是每条关系一次微型的抽象式摘要。
为什么这能成立
- 无 schema，关系空间 = 自然语言全集。 不预定义谓词，qualifier、时间区间、条件、因果全由描述本身承载。"from 2016 until publicly traded" 这种带始末时间的关系，塞进任何固定三元组都必丢信息。
- 边的描述是下游的一等公民。 §3.1.5 社区摘要的原料就是「节点描述 + 边描述 + 相关 claim」，按源/目标节点度数之和降序填进上下文窗口。边的自然语言描述不是图的注释，而是图的载荷——这是「图」与「摘要」两种范式能焊在一起的关键：如果边只是符号，社区摘要就没东西可写。
- 冗余变成信号。 同一关系在多个 chunk 里被重复抽到，不去重，重复次数直接聚合成边权重（§3.1.3）。频率即显著性，被反复提及的关系在摘要优先级里自然靠前。
- 容忍脏图。 实体对齐只做精确字符串匹配（§3.1.3），这在传统 KG 里是致命的，但消费者是 LLM 不是推理机：重复/分裂的实体会被社区检测聚到一起，摘要时自然合并。系统不需要图精确，只需要分组合理。
代价
- 描述是生成的，就有幻觉风险："may not be explicitly stated" 是委婉说法，实际就是允许综合推断，错了没人兜底。
- 做不了精确查询：全是自由文本，没法写 Cypher/SPARQL 式的结构化问题。实验里 Directness 指标 vector RAG 全场赢不是偶然——GraphRAG 换来全面性和多样性，牺牲的就是直接性。它明确只服务 QFS，不是通用知识图。
relationship strength是 LLM 自己打的分，主观且不可复核。- 索引成本高：约 100 万 token 的 Podcast 数据集光建图就耗时 281 分钟。
一句话读法：这篇最值得偷的不是「用图做 RAG」，而是那个更根本的设计姿态——当消费者是 LLM 时，一切中间表示都应该用自然语言，符号化反而丢信息。边、节点、claim、社区摘要是一层层嵌套的自然语言摘要，「图」只是给这些摘要提供了可并行的分层分组结构（Leiden 划分 → map-reduce）。
Edge 等，From Local to Global: A Graph RAG Approach to Query-Focused Summarization，arXiv:2404.16130，2024。
版权所有
版权归属：Pray0