在自然語言處理領(lǐng)域，檢索增強生成（RAG）技術(shù)通過結(jié)合外部知識庫與語言模型，顯著提升了模型在知識密集型任務(wù)中的表現(xiàn)。近年來，基于圖結(jié)構(gòu)的 RAG 方法成為研究熱點，通過引入知識圖譜的實體關(guān)系建模能力，有效解決了傳統(tǒng) RAG 在多跳推理、長文本理解和全局語義捕捉中的局限性。本文詳細分析五種代表性方法：GraphRAG、GraphReader、LightRAG、HippoRAG和KAG ，從實現(xiàn)細節(jié)、優(yōu)缺點及適用場景展開對比。

1、GraphRAG

微軟提出GraphRAG， 通過 “從局部到全局” 的層次抽象，填補了傳統(tǒng) RAG 在宏觀語義理解中的空白，尤其適合需要 “鳥瞰式” 知識整合的場景。

項目地址：https://github.com/microsoft/graphrag

論文地址：https://arxiv.org/pdf/2404.16130

方法介紹

GraphRAG 的目標(biāo)是通過層次化圖結(jié)構(gòu)實現(xiàn)對大規(guī)模文本的全局理解，其核心流程分為索引構(gòu)建階段（離線）和查詢響應(yīng)階段（在線），具體如下：

索引構(gòu)建階段：先將源文檔分割為帶重疊的文本塊，利用 LLM 提取實體、關(guān)系和協(xié)變量，構(gòu)建無模式知識圖；再通過 Leiden 算法對圖進行多層社區(qū)劃分，形成 “主題→子主題→具體實體” 的層次結(jié)構(gòu)，最后自底向上生成各層社區(qū)摘要，低層聚焦細節(jié)，高層整合主題共性，壓縮文本量以提升檢索效率。

查詢響應(yīng)階段：解析查詢提取關(guān)鍵詞，匹配包含相關(guān)關(guān)鍵詞的社區(qū)，將社區(qū)摘要分塊后利用 LLM 并行生成中間答案，按評分合并生成最終全局答案，必要時可遞歸調(diào)用低層社區(qū)檢索補充細節(jié)。

優(yōu)點

全局理解能力強：層次社區(qū)結(jié)構(gòu)支持從局部到全局的多粒度摘要，適合宏觀問題（如 “數(shù)據(jù)集主要主題”）。

高效摘要生成：社區(qū)摘要可并行處理，減少上下文 token 消耗（如根級摘要僅需原始文本 1% 的 token）。

領(lǐng)域無關(guān)性：通用圖構(gòu)建流程，適用于多種文本類型（如新聞、播客、學(xué)術(shù)文獻）。

缺點

細節(jié)丟失風(fēng)險：高層社區(qū)摘要可能忽略關(guān)鍵細節(jié)，影響答案準(zhǔn)確性。

調(diào)參復(fù)雜：社區(qū)層級選擇和塊大小需根據(jù)數(shù)據(jù)集優(yōu)化，缺乏通用策略。

適用場景

大規(guī)模文本摘要：如企業(yè)知識庫全局檢索、行業(yè)報告趨勢分析。

需要多粒度回答的場景：如教育領(lǐng)域跨章節(jié)知識點總結(jié)、市場調(diào)研多數(shù)據(jù)源整合。

2、GraphReader

阿里，上海AI Lab等，針對長上下文、復(fù)雜關(guān)系問題，提出GraphReader，通過構(gòu)建基于圖的智能體系統(tǒng)（Graph-based Agent System），以結(jié)構(gòu)化的方式組織長文本，并利用智能體自主探索該圖。概述如圖所示：

論文地址：https://arxiv.org/abs/2406.14550

方法介紹

GraphReader 的算法實現(xiàn)圍繞圖構(gòu)建、圖探索和答案推理三個階段展開：

在圖構(gòu)建階段，先將長文檔按段落分割成適配 LLM 的文本塊，再借助 LLM 從文本塊中抽取原子事實和關(guān)鍵元素，最后對關(guān)鍵元素標(biāo)準(zhǔn)化處理，構(gòu)建節(jié)點并建立節(jié)點間的鏈接，形成完整圖結(jié)構(gòu)。

圖探索階段，智能體拿到問題和圖后，先初始化筆記本，拆解問題制定計劃并選擇初始節(jié)點；接著依次對原子事實、文本塊和相鄰節(jié)點進行探索，在探索過程中通過不同操作函數(shù)，判斷并記錄有價值的信息，直至收集到足夠回答問題的內(nèi)容。

答案推理階段，智能體完成圖探索后，將筆記本中記錄的信息進行編譯，運用思維鏈推理方式，生成最終答案。

優(yōu)點

長文本處理能力強：通過圖結(jié)構(gòu)壓縮長文本信息，緩解 LLM 上下文窗口限制。

自主推理靈活性：智能體可動態(tài)調(diào)整探索路徑，適應(yīng)不同復(fù)雜度的查詢。

高召回率：原子事實和塊遍歷機制確保關(guān)鍵信息不遺漏，支持多跳推理。

缺點

計算成本高：智能體多輪探索和圖遍歷增加延遲，實時性較差。

初始化依賴人工：合理計劃和節(jié)點選擇需要領(lǐng)域知識引導(dǎo)，自動化程度較低。

適用場景

超長文檔分析：如法律卷宗審閱、科學(xué)論文綜述生成。

需要深度上下文理解的場景：如歷史文獻跨段落事件關(guān)聯(lián)、技術(shù)文檔故障排查。

3、HippoRAG

HippoRAG 是一種受神經(jīng)生物學(xué)啟發(fā)的檢索增強生成模型，概述如圖所示：

論文地址：https://arxiv.org/abs/2405.14831

項目地址：https://github.com/OSU-NLP-Group/HippoRAG

實現(xiàn)細節(jié)

神經(jīng)生物學(xué)啟發(fā)的知識表示：HippoRAG 模擬人類海馬體的記憶機制，通過 “模式分離” 和 “模式完成” 兩個核心操作實現(xiàn)知識整合。在索引構(gòu)建階段，模型使用開放信息抽取（OpenIE）技術(shù)從文本中提取實體、關(guān)系和屬性，構(gòu)建無模式知識圖譜（Graph）。圖中的節(jié)點表示實體，邊表示關(guān)系，并通過同義詞邊連接語義相似的實體，提升圖的連通性。例如，“蘋果公司” 和 “Apple Inc.” 通過同義詞邊關(guān)聯(lián)，增強實體鏈接能力。

單步多跳檢索機制：針對傳統(tǒng) RAG 多輪檢索的低效問題，HippoRAG 提出基于個性化 PageRank（PPR）的單步多跳檢索算法。當(dāng)接收到查詢時，模型首先使用 LLM 提取查詢中的命名實體作為種子節(jié)點，然后通過 PPR 算法在知識圖譜上傳播概率，一次性召回與查詢相關(guān)的多跳實體。例如，查詢 “蘋果公司創(chuàng)始人的教育背景” 可直接召回 “Steve Jobs” 及其畢業(yè)院校 “Reed College”，避免了傳統(tǒng)方法的多次迭代檢索。

混合檢索與答案生成：HippoRAG 采用向量檢索與圖檢索相結(jié)合的策略：向量檢索（如 ColBERTv2）負責(zé)召回相關(guān)文本塊，圖檢索負責(zé)捕捉實體間的結(jié)構(gòu)化關(guān)系。模型將兩種檢索結(jié)果融合后，通過 LLM 生成最終答案。為提升答案的可靠性，HippoRAG 引入證據(jù)評分機制，對召回的文本塊和圖路徑進行置信度評估，優(yōu)先選擇高可信度的信息作為答案依據(jù)。

知識更新與遺忘機制：受海馬體記憶鞏固過程的啟發(fā)，HippoRAG 設(shè)計了動態(tài)知識更新策略。當(dāng)有新數(shù)據(jù)加入時，模型通過增量式圖構(gòu)建更新知識庫，同時保留舊知識的歷史版本。為避免知識庫無限膨脹，模型引入 “遺忘” 機制，定期刪除低價值或過時的知識，通過注意力機制評估知識的重要性，確保知識庫的高效性和準(zhǔn)確性。

優(yōu)點

高效多跳檢索：單步完成多跳推理，相比傳統(tǒng)方法減少迭代次數(shù)，提升效率。

生物可解釋性：模擬人類記憶機制，推理過程符合認知科學(xué)規(guī)律，可解釋性較強。

缺點

依賴高質(zhì)量圖譜：OpenIE 提取三元組的準(zhǔn)確性影響整體性能，噪聲圖譜會導(dǎo)致檢索偏差。

復(fù)雜問題處理不足：缺乏邏輯規(guī)則支持，難以處理需要數(shù)值計算或?qū)哟瓮评淼娜蝿?wù)。

適用場景

實體關(guān)聯(lián)清晰、邏輯推理需求較低的事實問答場景：如學(xué)術(shù)領(lǐng)域人物關(guān)系查詢、歷史事件因果分析。

需要快速多跳檢索的場景：如金融欺詐關(guān)聯(lián)分析、藥物靶點相互作用預(yù)測。

4、LightRAG

北郵、港大等提出LightRAG， 一種輕量級的檢索增強生成模型，主要關(guān)注以下三個方面：全面的信息檢索、高效低成本的檢索、快速適應(yīng)數(shù)據(jù)變化。

項目地址：https://github.com/HKUDS/LightRAG

論文地址：https://arxiv.org/abs/2410.05779

方法介紹

算法實現(xiàn)圍繞基于圖的文本索引、雙層檢索范式和檢索增強答案生成三大核心模塊展開。

在基于圖的文本索引模塊，LightRAG 先將文檔分割成小塊，利用 LLM 抽取實體與關(guān)系，構(gòu)建知識圖譜。通過去重、生成鍵值對優(yōu)化圖結(jié)構(gòu)，并具備增量更新能力，可高效整合新文檔，提升檢索性能與信息理解深度。

雙層檢索范式是 LightRAG 的關(guān)鍵創(chuàng)新。低層次檢索聚焦具體實體屬性或關(guān)系，用于回答精確性問題；高層次檢索則聚合多實體關(guān)系信息，處理抽象主題查詢。通過提取本地與全局關(guān)鍵詞，結(jié)合向量數(shù)據(jù)庫匹配與子圖鄰近節(jié)點收集，實現(xiàn)了精準(zhǔn)檢索與全面信息整合。

在檢索增強答案生成環(huán)節(jié)，LightRAG 將檢索到的實體、關(guān)系描述及原始文本等信息拼接后輸入通用 LLM，通過整合查詢與多源文本，生成契合用戶意圖的答案，兼顧上下文連貫性與回答質(zhì)量 。

優(yōu)點

輕量級設(shè)計：無需復(fù)雜邏輯推理，通過雙層檢索平衡細節(jié)與全局理解，檢索效率高。

動態(tài)適應(yīng)性強：支持增量更新知識庫，適合實時數(shù)據(jù)場景（如新聞?wù)討B(tài)賽事分析）。

低成本部署：相比 KAG，減少了符號推理模塊，更易在資源受限環(huán)境中部署。

缺點

推理能力有限：依賴語義相似性，缺乏顯式邏輯規(guī)則，難以處理深層推理任務(wù)。

長文本處理不足：未顯式建模段落間依賴關(guān)系，復(fù)雜多跳問題中召回率較低。

適用場景

快速響應(yīng)型問答：如智能客服、實時資訊檢索、跨領(lǐng)域概況總結(jié)。

需要動態(tài)更新知識的場景：如電商產(chǎn)品推薦、社交媒體熱點分析。

5、KAG

螞蟻集團提出KAG（Knowledge Augmented Generation），旨在解決傳統(tǒng)語言模型及相關(guān)技術(shù)在知識處理與復(fù)雜問題求解方面存在的一系列難題。

項目地址：https://github.com/OpenSPG/KAG

論文地址：https://arxiv.org/abs/2409.13731

方法介紹

三層架構(gòu)協(xié)同運作：KAG-Builder 利用 LLMFriSPG 框架構(gòu)建離線索引，實現(xiàn)文本塊與知識圖譜的互索引，支持無模式信息抽取和結(jié)構(gòu)化知識對齊；KAG-Solver 作為邏輯形式引導(dǎo)的混合推理引擎，整合規(guī)劃、檢索、推理算子，可進行符號推理與數(shù)值計算；KAG-Model 則增強 LLM 的自然語言理解、推理和生成能力，支持端到端推理。

知識表示創(chuàng)新：LLMFriSPG 框架采用分層存儲知識，包括 KGcs 層、KGfr 層、RC 層，支持動態(tài)屬性和概念分層，解決信息損失問題；同時，通過圖結(jié)構(gòu)與原始文本塊的雙向互索引機制，有效提升檢索準(zhǔn)確性和可解釋性。

邏輯推理求解：KAG 將自然語言問題拆解為邏輯表達式，借助 ReSP 反思機制等多輪迭代，逐步逼近答案，能夠支持多跳推理和數(shù)值計算，實現(xiàn)復(fù)雜問題的深度推理。

優(yōu)點

強推理能力：結(jié)合符號邏輯與文本檢索，擅長處理需要多跳推理、邏輯計算的專業(yè)領(lǐng)域問題（如法律、醫(yī)學(xué)）。

高可解釋性：互索引機制保留原始文本上下文，推理過程可追溯。

領(lǐng)域適應(yīng)性強：通過領(lǐng)域知識注入和模式約束，有效減少開放信息抽取的噪聲。

缺點

構(gòu)建成本高：需要專業(yè)知識構(gòu)建結(jié)構(gòu)化知識圖譜，依賴大量標(biāo)注數(shù)據(jù)和專家人力。

計算復(fù)雜度高：邏輯形式求解和多輪迭代增加推理延遲，對算力要求較高。

適用場景

專業(yè)領(lǐng)域復(fù)雜問答：如法律條文解析、醫(yī)療診斷推理、科學(xué)文獻分析。

需要強邏輯推理、高準(zhǔn)確性和可解釋性的場景：如金融風(fēng)控報告生成、政策合規(guī)性檢查。

6、總結(jié)

對于一些場景的推薦算法及原因如下：

對于RAG方法的選擇，整體來講，還是要通過任務(wù)、成本等方面來綜合考慮，沒有能夠通用一切場景的方法：

1. 優(yōu)先考慮任務(wù)性質(zhì)：
   若需邏輯嚴(yán)謹性（如金融風(fēng)控），選 KAG；若需快速響應(yīng)（如客服），選 LightRAG。
   若問題涉及實體網(wǎng)絡(luò)（如人物關(guān)系），選 HippoRAG；若處理超長文本（如合同），選 GraphReader；若需全局概覽（如行業(yè)報告），選 GraphRAG。
2. 平衡成本與效率：
   KAG 和 GraphReader 構(gòu)建成本高，適合預(yù)算充足的企業(yè)級場景；LightRAG 和 HippoRAG 輕量級，適合中小團隊快速落地。
3. 結(jié)合領(lǐng)域數(shù)據(jù)特性：
   結(jié)構(gòu)化數(shù)據(jù)多的領(lǐng)域（如醫(yī)療記錄）適合 KAG；非結(jié)構(gòu)化長文本（如用戶評論）適合 GraphReader；實體密集型數(shù)據(jù)（如學(xué)術(shù)論文）適合 HippoRAG/GraphRAG。