三十八：GraphRAG自测题答案¶

来源:http://mp.weixin.qq.com/s?__biz=MzYyNTk3Njg1NA==&mid=2247484498&idx=1&sn=e4910f9114489eec5400023ef684f806&chksm=f01eb72bc7693e3d18006c868c63331445248b9da5a11a9376f88dc6ec255c2584cccbfdd6f1#rd

参考资料¶

Microsoft GraphRAG: https://microsoft.github.io/graphrag/
GraphRAG paper: https://arxiv.org/pdf/2404.16130
GraphRAG overview and examples: https://blog.csdn.net/m0_56255097/article/details/144033101
Zilliz GraphRAG article: https://xie.infoq.cn/article/18ca7cd7702fc0f03baa02b01
Microsoft GraphRAG GitHub: https://github.com/microsoft/graphrag

A. GraphRAG 基础¶

1. 什么是 GraphRAG？它和普通 RAG 的核心区别是什么？¶

GraphRAG 是把知识图谱结构引入 RAG 的方法。它从文本中抽取实体、关系和 claim，构建图索引，再基于图结构、社区摘要和原文证据回答问题。普通 RAG 主要基于 chunk 相似度检索；GraphRAG 额外利用实体关系和社区结构。

2. 普通向量 RAG 在什么场景下容易失效？¶

在多实体关系、多跳推理、跨文档综合、全局主题总结、网络结构分析和证据分散在许多 chunk 中的场景容易失效。因为 top-k 语义相似 chunk 不一定覆盖完整关系链。

3. GraphRAG 主要解决哪些问题？¶

它主要解决关系型知识组织、多跳证据检索、全局概览、跨文档主题综合和实体网络分析问题。它不是为了替代所有向量检索，而是补足向量 RAG 对关系结构的不足。

4. GraphRAG 的高层构建流程是什么？¶

流程是：

Documents -&gt; text units -&gt; entity extraction -&gt; relationship extraction
-&gt; graph construction -&gt; community detection -&gt; community reports
-&gt; local/global search -&gt; answer

其中实体、关系和社区报告构成图索引的核心。

5. GraphRAG 中的节点、边、社区分别表示什么？¶

节点通常表示实体，如人物、组织、项目、概念。边表示实体之间的关系。社区表示图中联系紧密的一组节点和边，通常对应主题、组织、项目或事件簇。社区可进一步生成摘要，用于全局检索。

6. GraphRAG 和传统知识图谱问答有什么区别？¶

传统知识图谱问答通常基于人工或结构化三元组和查询语言，强调精确结构化查询。GraphRAG 更偏自动从非结构化文本中构图，并用 LLM 处理自然语言、摘要和不完美图谱。 GraphRAG 通常还保留原文证据和社区摘要。

7. GraphRAG 是否可以完全替代向量 RAG？为什么？¶

不能。GraphRAG 构建成本高，抽取可能出错，简单事实问答用向量 RAG 更便宜高效。很多系统会把 GraphRAG 与向量检索、BM25、rerank 结合。它是补充关系结构能力，不是万能替代。

8. GraphRAG 适合哪些业务场景？¶

适合企业知识网络、项目依赖、组织关系、安全情报、供应链风险、法律案件关系、科研论文网络、多跳问答和全局总结。这些场景中实体关系比单个 chunk 相似度更重要。

9. 哪些场景不适合优先使用 GraphRAG？¶

简单 FAQ、小规模短文档、低延迟强约束场景、实体关系不重要的普通问答、数据噪声大且无法校验抽取结果的场景，不适合优先使用。普通 RAG 成本更低、实现更简单。

10. 为什么 GraphRAG 的构建成本通常高于普通 RAG？¶

因为它需要 LLM 或模型抽取实体、关系、claim，做实体消歧、图构建、社区发现和社区摘要生成。这些步骤比简单 chunk embedding 更昂贵。更新和评估也更复杂。

B. 知识图谱索引构建¶

11. GraphRAG 中 text unit 的作用是什么？¶

text unit 是从原文中切出的基本处理单元，用于实体抽取、关系抽取和 claim 抽取。它连接原文证据和图结构。它是构图输入，不一定是最终检索单位。

12. text unit 和普通 RAG chunk 有什么区别？¶

普通 chunk 通常直接用于向量检索和 prompt 上下文。text unit 更多用于构建图索引，产生实体、关系、claim 和来源映射。当然两者可以重叠，但目标不同。

13. text unit 应保留哪些元数据？¶

应保留 document_id、title、section_path、page/paragraph 位置、source URL、更新时间、权限、语言和原文。这些元数据用于引用、权限过滤、更新和审计。

14. 实体抽取的目标是什么？¶

目标是识别文本中的重要对象，如人物、组织、产品、项目、事件、地点、技术和概念，并为其建立节点。实体抽取质量决定图谱覆盖率。

15. 常见实体类型有哪些？¶

包括 Person、Organization、Product、Project、Concept、Event、Location、Technology、Document、Dataset、Service 等。类型应根据业务 schema 定义。

16. 关系抽取的目标是什么？¶

目标是识别实体之间的语义连接，例如 A 依赖 B、A 属于组织 C、A 影响 B、A 开发了 B。关系边让图能支持多跳和网络结构分析。

17. 关系边通常应包含哪些字段？¶

包括 source entity、target entity、relation type、description、confidence、source evidence、timestamp 和 source_text_unit_ids。保留证据是后续验证的基础。

18. 什么是 claim 抽取？它有什么价值？¶

claim 是可验证的事实陈述。抽取 claim 可以帮助构建实体描述、支持答案证据、做事实核查和处理多文档冲突。 claim 应绑定来源和时间。

19. 为什么实体和关系都必须保留来源证据？¶

因为 LLM 抽取可能错误。没有来源证据，就无法验证关系是否真实，也无法给答案提供引用。 GraphRAG 仍然需要可追溯性。

20. 什么是实体消歧？为什么重要？¶

实体消歧是判断不同文本提到的实体是否相同，例如 “MSFT” 和 “Microsoft”。它重要是因为错误消歧会导致图断裂或错误合并。图质量高度依赖实体规范化。

21. 实体误合并和实体漏合并分别会造成什么问题？¶

误合并会把不同实体的关系混在一起，产生错误答案。漏合并会把同一实体拆成多个节点，导致关系链断裂、召回不完整。两者都会损害图检索。

22. 实体消歧可以使用哪些方法？¶

可以使用字符串规则、别名词典、embedding 相似度、类型约束、上下文匹配、LLM 判断和人工校验高频实体。生产中常组合多种方法。

23. 图构建中节点和边可以有哪些属性？¶

节点可有 name、type、description、embedding、source IDs、community ID、权限。边可有 relation type、description、weight、confidence、source IDs、timestamp。这些属性支持检索、过滤和解释。

24. GraphRAG 为什么可能需要同时使用图数据库、向量索引和全文索引？¶

图数据库适合关系遍历，向量索引适合语义检索实体/摘要/文本，全文索引适合关键词和精确匹配。 GraphRAG 通常是多索引系统，而不是单一图数据库。

C. 社区发现与社区摘要¶

25. 什么是社区发现？¶

社区发现是在图中找到连接紧密的节点群。每个社区通常代表一个主题、组织、项目或事件簇。它帮助把复杂图分层组织。

26. GraphRAG 中社区发现的作用是什么？¶

它把实体关系网络划分为可摘要的子图，为全局搜索提供结构化主题单元。没有社区摘要，全局问题很难直接从大量节点和边中生成答案。

27. Louvain、Leiden 这类算法大致解决什么问题？¶

它们用于图社区划分，目标是找到模块度较高或连接更紧密的节点群。Leiden 通常被认为在社区连通性和稳定性上有改进。面试中不需要展开算法细节，但要知道它们用于社区发现。

28. 为什么 GraphRAG 可能需要多级社区层次？¶

因为图中既有细粒度子主题，也有更大范围主题。多级社区可以支持从局部到全局的检索和摘要。全局问题可能使用高层社区，具体问题使用低层社区。

29. 什么是 community report 或 community summary？¶

它是对某个图社区的文本摘要，通常由 LLM 基于社区内实体、关系和 claim 生成。它让系统能以较短文本理解一个社区的主题和关键关系。

30. 社区摘要通常包含哪些内容？¶

包括社区主题、关键实体、关键关系、重要 claim、来源证据、时间信息、风险或不确定性。高质量社区摘要应可追溯到原文证据。

31. 社区摘要为什么能支持全局问题回答？¶

全局问题需要跨大量文档和实体综合。社区摘要把大量局部关系压缩成主题级信息，便于 map-reduce 式汇总。这比直接检索 top-k chunk 更适合整体概览。

32. 社区摘要可能引入哪些风险？¶

可能遗漏重要实体、过度概括、引入幻觉、错误合并冲突信息、丢失来源、泄露权限受限信息。因此摘要也需要评估和权限控制。

33. 如何评估社区摘要是否忠实？¶

可以检查摘要 claims 是否被社区内原始 text units 或关系支持，统计 unsupported claims；也可以人工或 LLM judge 根据证据评分。重点是摘要不能凭空生成新事实。

34. 如果社区划分不合理，会对检索和回答造成什么影响？¶

相关实体可能被分散到不同社区，导致全局摘要不完整；无关实体被放在同一社区，会产生噪声和错误综合。这会影响 local/global search 的质量。

D. Local Search、Global Search 与 DRIFT¶

35. 什么是 GraphRAG Local Search？¶

Local Search 是围绕具体实体或局部关系进行检索。它先识别 query 中的实体，再扩展相关邻域、关系、claims 和原文证据。它适合具体对象问答。

36. Local Search 适合回答哪些问题？¶

适合实体定义、实体属性、两个实体关系、局部多跳链路、某项目依赖、某组织参与事件等问题。问题通常包含明确实体。

37. Local Search 的基本流程是什么？¶

流程是：识别 query 实体，链接到图中节点，扩展邻居和相关边，取相关 text units 和 entity descriptions，组装上下文，LLM 生成答案。必要时结合向量检索和 rerank。

38. Local Search 中实体识别失败会造成什么问题？¶

如果 query 实体没有识别或链接错节点，后续邻域扩展会沿错误方向进行，导致召回错误证据。实体链接是 Local Search 的关键。

39. 什么是 GraphRAG Global Search？¶

Global Search 是面向全局主题和整体概览的问题，通常基于社区摘要而不是具体实体邻域。它适合回答“整个语料库主要讲什么”“有哪些主题/风险/趋势”等问题。

40. Global Search 适合回答哪些问题？¶

适合跨文档总结、主题发现、组织网络概览、风险归纳、社区级比较和数据集整体洞察。这类问题没有单个明确 chunk 能回答。

41. Global Search 的 map-reduce 思路是什么？¶

Map 阶段让模型基于多个相关社区报告生成局部答案或要点；Reduce 阶段再综合这些局部答案生成最终回答。这能处理大量社区摘要并控制上下文规模。

42. 为什么 Global Search 不只是检索 top-k chunk？¶

因为全局问题需要覆盖多个主题和社区，top-k chunk 可能只命中局部相关内容，无法代表整体分布。社区摘要提供了更高层次的全局视角。

43. Local Search 和 Global Search 的主要区别是什么？¶

Local Search 从具体实体出发，扩展图邻域，适合局部事实和关系。Global Search 从社区报告出发，综合多个社区，适合整体概览和主题总结。一个偏局部证据，一个偏全局综合。

44. 什么是 DRIFT Search？它试图解决什么问题？¶

DRIFT Search 可以理解为结合全局社区信息和局部实体证据的多粒度搜索。它解决只看全局太空泛、只看局部缺背景的问题。适合既需要背景又需要具体证据的问题。

45. 如何根据用户问题选择 local、global 或 hybrid search？¶

如果问题包含明确实体和关系，选 local；如果问整体主题、趋势、风险，选 global；如果既有实体又需要背景概览，选 hybrid/DRIFT。系统可以先做 query classification。

46. 多跳问题在 GraphRAG 中如何处理？¶

通过实体链接、图邻域扩展、路径搜索、跨社区检索和中间证据验证处理。每一跳都应保留证据，防止错误累积。多跳问题是 GraphRAG 的优势场景之一。

E. 与其他 RAG 技术对比¶

47. GraphRAG 和 vector RAG 在检索单元上有什么区别？¶

Vector RAG 检索单元通常是 chunk。GraphRAG 检索单元可以是实体、关系、claim、社区报告、文本证据和图路径。 GraphRAG 的检索粒度更多样。

48. GraphRAG 和 hybrid search 有什么关系？¶

Hybrid search 结合向量和关键词检索；GraphRAG 结合图结构和文本检索。二者可以一起使用，例如先用图定位实体社区，再用向量/BM25 找原文证据。它们不是互斥技术。

49. GraphRAG 和 rerank 如何结合？¶

GraphRAG 可以先产生候选实体、关系、社区报告和 text units，再用 reranker 按 query 相关性排序，控制进入 prompt 的证据。 Rerank 有助于减少图检索噪声。

50. GraphRAG 和 chunking-free RAG 有什么区别？¶

chunking-free RAG 关注减少固定 chunk 边界，用位置或长上下文动态定位证据。GraphRAG 关注实体关系图和社区结构。一个解决 chunk 边界问题，一个解决关系结构和全局检索问题。

51. GraphRAG 和 long-context RAG 如何互补？¶

GraphRAG 可以用图结构选择相关社区和证据，long-context LLM 可以承载更多图证据和社区报告进行综合。图负责组织和筛选，长上下文负责综合阅读。

52. GraphRAG 和知识库/数据库查询有什么区别？¶

数据库查询依赖结构化 schema 和精确查询语义。GraphRAG 多从非结构化文本自动抽取图，使用 LLM 处理自然语言和不完美结构。因此 GraphRAG 更灵活，但不如数据库查询严格可靠。

53. GraphRAG 中为什么仍然需要原文引用？¶

实体关系和摘要可能由模型抽取或生成，存在错误。原文引用用于验证事实、支持答案和满足审计要求。没有原文证据，GraphRAG 容易变成不可验证的生成系统。

54. 为什么图结构不能保证答案一定正确？¶

图可能抽取错、消歧错、关系过时、社区摘要幻觉，生成模型也可能误读图证据。图结构提升组织能力，但不是事实正确性的保证。仍需评估和验证。

F. 评估、权限与生产化¶

55. GraphRAG 图构建阶段应评估哪些指标？¶

应评估实体 precision/recall、关系 precision/recall、实体消歧准确率、claim faithfulness、来源覆盖率和社区划分质量。这些决定图索引上限。

56. GraphRAG 检索阶段应评估哪些指标？¶

包括 entity hit rate、path recall、community relevance、evidence coverage、local/global search 命中率和检索延迟。不同问题类型要分开评估。

57. GraphRAG 生成阶段应评估哪些指标？¶

包括答案正确性、faithfulness、citation accuracy、global coverage、synthesis quality、拒答准确率和安全性。全局答案还要评估覆盖度和组织质量。

58. 全局问题为什么比局部事实问题更难评估？¶

全局问题通常没有唯一标准答案，要求覆盖多个主题并做合理综合。答案可能有多种组织方式，不能只用精确匹配。需要 rubric、人工评估或 LLM judge，并检查证据覆盖。

59. GraphRAG 中权限控制为什么更复杂？¶

因为敏感信息可能出现在原文、实体描述、关系、claim、社区摘要和最终答案中。即使不显示原文，图结构也可能泄露关系。权限必须贯穿构建、检索和生成。

60. 为什么社区摘要也可能造成权限泄露？¶

社区摘要可能综合了用户无权访问的文档内容。即使不引用原文，也可能泄露敏感实体关系或结论。因此社区报告应按权限隔离或在查询时过滤。

61. GraphRAG 更新时会遇到哪些问题？¶

新文档引入新实体和关系，旧关系过期，实体消歧结果变化，社区结构变化，社区摘要需要重写，权限也可能变化。增量更新比普通向量索引更复杂。

62. 如何做 GraphRAG 的增量更新？¶

对新增/更新文档重新抽取实体关系，合并到图中，更新受影响实体、边、社区和社区摘要。对大变化可周期性全量重建。需要版本号和来源追踪，支持回滚。

63. GraphRAG 的主要成本来自哪里？¶

来自 LLM 抽取实体关系、实体消歧、图构建、社区发现、社区摘要生成、查询时多步检索和生成。全局搜索还可能需要 map-reduce 多次 LLM 调用。

64. 如何降低 GraphRAG 构建和查询成本？¶

可使用小模型抽取、批处理、缓存、增量更新、只对高价值文档构图、限制社区层级、复用社区摘要、按问题类型选择 local/global search。不要对简单问题启用昂贵全局搜索。

G. 排错与系统设计¶

65. 如果 GraphRAG 回答遗漏关键实体，你会如何排查？¶

检查原文是否包含实体、text unit 是否覆盖、实体抽取是否漏掉、实体消歧是否拆错、检索是否命中相关社区、最终 prompt 是否包含该实体。按构建、检索、生成分层定位。

66. 如果 GraphRAG 输出错误关系，你会如何排查？¶

检查关系抽取 prompt/schema、来源证据、实体是否误合并、关系方向是否错、社区摘要是否错误概括、生成阶段是否幻觉。错误关系必须追溯到原文证据。

67. 如果 Global Search 回答过于空泛，你会如何优化？¶

提高社区报告质量，选择更相关社区，加入原文证据和关键 claim，改进 map-reduce prompt，要求具体引用和示例，或切换到 hybrid/DRIFT 搜索补充局部证据。全局摘要需要足够具体的证据支撑。

68. 如果 Local Search 漏掉跨社区证据，你会如何优化？¶

增加跨社区边扩展、使用多跳路径搜索、结合向量检索召回相关 text units、使用 DRIFT/hybrid search，或调整社区层级。 Local Search 不应被单一社区边界限制。

69. 请设计一个企业知识库 GraphRAG 系统，说明索引构建、local/global search、权限、引用和评估。¶

离线阶段加载企业文档，切 text units，保留权限和来源；用 LLM/小模型抽取实体、关系、claim；做实体消歧；构建图；运行社区发现并生成带来源的社区报告；同时建立实体、报告、原文的向量和全文索引。在线阶段先做用户鉴权和问题分类。实体/局部问题走 Local Search，定位实体并扩展邻域；全局问题走 Global Search，选择社区报告并 map-reduce 综合；复杂问题走 hybrid/DRIFT。最终答案必须引用原文或社区报告来源。评估上分别看实体/关系抽取质量、local/global 检索命中率、答案正确性、faithfulness、citation accuracy、权限泄露率和成本延迟。

70. 请系统总结 GraphRAG 的原理、优势、限制、适用场景和面试表达要点。¶

GraphRAG 的原理是从文档中抽取实体、关系和 claim，构建知识图谱，通过社区发现和社区摘要支持全局搜索，通过实体邻域支持局部搜索，再结合 LLM 生成答案。优势是能处理多实体关系、多跳推理、跨文档综合和全局主题问题。限制是构建成本高、抽取和消歧错误会传播、社区摘要可能幻觉、权限和更新复杂。适用场景包括企业知识网络、项目依赖、组织关系、安全情报、供应链、法律案件和论文主题网络。面试表达要强调：GraphRAG 不是普通 RAG 的替代品，而是引入图结构补充向量相似检索；生产中通常要结合向量检索、BM25、rerank、原文引用和权限控制。

            预览时标签不可点




































<div class="