GraphRAG 与知识图谱:让关系路径保留证据
从实体身份、两跳查询到社区摘要,区分局部关系问题与全局主题问题,并分析建图维护成本。
“平台团队负责的服务依赖哪些数据库”需要把团队—服务—数据库连接起来。单个段落未必同时包含两条关系,图可以把分散事实组织成可遍历的路径。收益来自可解释的关系连接,但前提是节点身份与边事实正确。
实体抽取之后还有消歧
抽取器从原文得到实体、类型、关系与来源。“订单”可能指订单服务、订单表或业务概念;两个“张伟”也可能不是同一人。只按名称合并会制造错误连接。实体ID应结合类型、业务标识、上下文和可核对的别名,歧义未解决时保留候选,不要强行合并。
每条边应记录来源文档、片段、有效时间、置信/审核状态和权限。图里出现一条“依赖”边,不能自动当作真实系统依赖;模型抽取可能把否定、计划或历史状态当当前事实。更新原文后,需要撤回或重算相应边以及依赖摘要。
局部、全局与多跳不是同一个查询
局部查询围绕已识别实体,获取邻居、关系和原文片段。全局查询关注整库主题,可利用社区发现后生成的社区摘要聚合回答。多跳查询则沿关系组合寻找证据链,不代表每个问题都要无限扩展邻居。
Microsoft GraphRAG包含实体/关系抽取、社区层级与摘要以及多种查询方式,是具体系统路线;“使用图数据做RAG”是更广泛概念。只用数据库存三元组,并不能宣称实现了该系统全部流程。具体社区算法和查询策略应按版本资料核对。
保存为 graph_evidence.py,运行 python -X utf8 graph_evidence.py。图为人工输入,程序真实执行有跳数限制的路径搜索,没有运行实体抽取或社区发现。
"""人工图的两跳证据路径;不模拟实体抽取或社区发现。"""
from collections import deque
EDGES=[('team:platform','维护','service:billing','doc1'),('service:billing','依赖','db:orders','doc2'),('team:sales','使用','service:crm','doc3')]
def paths(start,target,max_hops=2):
queue=deque([(start,[],{start})]);found=[]
while queue:
node,path,seen=queue.popleft()
if node==target:found.append(path);continue
if len(path)>=max_hops:continue
for source,relation,dest,doc in EDGES:
if source==node and dest not in seen:queue.append((dest,path+[(relation,dest,doc)],seen|{dest}))
return found
if __name__=='__main__':
print('两跳路径',paths('team:platform','db:orders'))
print('一跳预算',paths('team:platform','db:orders',1))
print('仅同名但不同类型',paths('team:billing','db:orders'))两跳路径 [[('维护', 'service:billing', 'doc1'), ('依赖', 'db:orders', 'doc2')]]
一跳预算 []
仅同名但不同类型 []两跳才能从平台团队到订单数据库,一跳预算返回空。team:billing与service:billing名称片段相同,类型与身份不同,不能直接互换。路径携带doc1/doc2;如果一条边来源撤销,整条链都不能继续作为确定结论。
图不是免费的知识压缩
社区发现根据图连接结构组织节点,而不是根据名称前缀分组。社区摘要可以汇集社区内实体、关系与原文证据,形成带引用的主题报告。全局问题“全公司主要运维风险有哪些”可先对多个社区报告分别提取相关要点,再合并去重;局部问题“平台团队维护什么服务”则优先围绕具体实体回到邻域证据。前者需要控制社区覆盖、摘要丢失和重复计数,后者需要控制实体匹配和扩展半径。
例如doc1支持平台团队维护计费服务,doc2支持计费服务依赖订单库,doc4报告订单库延迟。社区报告可以概括相关基础设施,但“平台团队导致延迟”没有被任何边支持,不能由共属社区推断因果。若doc2撤销,必须移除这条来源支持;一条边还有另一个有效来源时可保留边但更新来源集合,依赖该边的社区摘要则标为待重建。全局摘要的权限按来源求交或按可见来源重新生成,不能将混合敏感来源的摘要开放给全部用户。
实体/关系抽取和社区摘要需要计算与模型调用;消歧、版本和权限让维护更复杂。高连接度节点会带来候选爆炸,可限制关系类型、时间、跳数与节点数量,并依据任务选择路径。社区摘要可能混合不同来源与时期,必须保留回溯和访问范围,不能把摘要当安全脱敏后的公开文本。
比较图方法时,挑选确实需要多跳或全局主题的问题,同时保留单事实、无答案与错误实体匹配的反例。若原始检索已能准确回答大多数问题,额外建图成本可能不值得。测量质量增益、引用支持、构建费用、更新时间和失败恢复,避免只以图的节点数衡量效果。
社区发现算什么:七条边上的局部移动
BFS回答从起点沿合法边几跳可达;社区发现尝试划分整张图,让组内连接相对某个基线更密集。下面只讲无向、无权、无自环图的模块度目标,取分辨率γ=1:Q = Σ_C[L_C/m - γ(K_C/(2m))²]。m是总边数,L_C是社区内部边数,K_C是社区所有节点的度数和。第二项是保持度数的随机连接基线;只数内部边会把“全图一个社区”误当总是最好。NetworkX模块度定义 给出这一计算式。
构造边ab、bc、ca、de、ef、fd、cd:两组三角形只由c—d连接,总m=7;a/b/e/f度为2,c/d为3。全部单点时L均为0,Q为 -(4×2²+2×3²)/14²=-0.173469。先把a移入b所在社区,内部多一条边,得到Q=-0.071429,增益0.102041;再把c移入ab,得到Q=0.091837。另一侧先合de再加入f,Q依次为0.173469和0.357143。这是一组人工指定、每次增益为正的局部移动顺序,不是报告实际运行某个库得到的路径。
最终两社区abc/def各有3条内部边、度数和7,所以 Q=2×(3/7-(7/14)²)=0.357143。如果把c移到def,分区变成ab/cdef,Q=0.122449,比原来下降0.234694,应拒绝这次移动;如果直接合并全图,Q=1-1=0。相比之下,BFS从a出发、不限制跳数,会访问全部六节点:它不会因为跨过c—d使模块度下降而停止。BFS的可达路径不能替代社区划分,社区同组也不证明节点之间存在某种特定业务关系。
Louvain的局部移动与聚合两阶段 会反复寻找正增益移动,再把社区收缩成超节点继续优化;贪心顺序、随机种子和γ会影响结果,并不保证全局最优。提高γ一般偏向较小社区,过大可能把需要一起总结的关系拆散;过小可能产生超预算的混杂报告。GraphRAG具体管线可能采用Leiden等算法,不能把本节Louvain手算冒充它的实现。社区报告应取社区内有来源的实体/关系及必要边界边,生成“组内已知事实和跨组依赖”,而不是把连接密度解释成因果。新增或撤销c—d会影响分区及相关报告;保持来源依赖和权限,并用同一组全局问题检查重建前后的证据覆盖。以上公式与算法说明核对于2026-10-31,所读NetworkX文档显示3.7;未安装或执行该社区库,也未运行LLM摘要。
综合边界推演与面试追问
平台团队维护计费服务(doc1),计费服务依赖订单库(doc2),需要两跳连接;team:billing不能因同名当service:billing。社区把相关设施聚合为主题报告可回答跨库风险,不能因为共属社区就推导平台团队导致故障。
局部查询围绕实体与邻居,全局查询聚合社区报告,多跳查询限制关系类型和跳数。更大邻域提高覆盖也增加噪声与成本;抽取、消歧、社区摘要和增量更新的费用必须与基础RAG相比。
无路径先查实体类型和别名,再查边方向、有效期、权限与跳数;每条边保留原文span和支持来源。doc2撤销时移除该来源支持并重建依赖摘要,有其他有效来源的边不必全部删除;摘要权限不能宽于来源。
课后练习展开习题收起习题
先独立作答,再展开参考思路。检查自己的解释是否包含机制、条件和反例。
实体消歧为何需要类型和上下文?
参考思路与常见误区
相同名称可能表示团队、服务或产品,错误合并会制造不存在的路径。使用稳定ID、类型和来源上下文,保留别名与合并证据。
常见误区:字符串相同就合并为同一节点。
图中的两跳路径足以证明因果关系吗?
参考思路与常见误区
不足。每条边必须有明确语义、方向、来源、时间和适用范围;维护服务且服务依赖数据库只能支持关系链,不能自动推出故障因果。
常见误区:能连通就证明任何自然语言结论。
局部查询和全局社区摘要适合什么问题?
参考思路与常见误区
局部查询围绕具体实体及邻域证据;全局查询利用社区摘要回答跨集合主题问题。全局概括可能丢细节,精确数字和例外仍需回溯原始来源。
常见误区:所有问题都先遍历全图。
删除来源文档后图应该怎样更新?
参考思路与常见误区
移除该来源对节点和边的支持,保留仍有独立来源支持的事实,并使受影响社区摘要失效。重新计算必要派生结构,防止旧摘要继续引用已删信息。
常见误区:删除文本库不影响图。
如何评估GraphRAG是否值得引入?
参考思路与常见误区
按多跳与全局概括任务分层比较证据覆盖、答案质量、抽取消歧错误、构建更新成本、查询延迟和权限正确性,使用相同数据与预算对照基础RAG。
常见误区:有图就一定比向量检索准确。
系统流程和查询模式见 GraphRAG官方文档。本文的人工图只用于解释路径、身份与来源,不提供完整框架实测。