GraphRAG
GraphRAG（Graph Retrieval-Augmented Generation，图谱增强检索生成）是一种结合了知识图谱（Knowledge Graph）结构化优势与大语言模型（LLM）生成能力的下一代 RAG 技术。传统的 RAG（Naive RAG）依赖于向量相似度检索，这在处理简单的“事实查询”时有效，但在面对需要多跳推理（Multi-hop Reasoning）或这就需要理解数据间复杂关系的医学问题时往往失效。GraphRAG 通过将文本转化为图谱结构，利用图的遍历能力检索出“实体”及其“关系”，从而让 AI 具备了逻辑推理能力和全局视角，极大地降低了医疗 AI 的幻觉风险。
技术背景：为什么医学需要 GraphRAG？
在医学领域，单纯的 Vector RAG（向量检索）存在致命缺陷：它只能检索到“字面相似”的片段，而无法理解“逻辑关联”。
场景示例： 用户问“除了二甲双胍，还有哪些药能治疗2型糖尿病但不会导致低血糖？”
• Vector RAG： 可能会检索到含有“二甲双胍”和“低血糖”关键词的文档片段，然后拼凑出一个可能包含错误的答案。
• GraphRAG： 会在知识图谱中先找到[二甲双胍]节点，沿[治疗]边找到[2型糖尿病]，再查找该疾病的其他[治疗药物]节点，并过滤掉[副作用]包含[低血糖]的药物。这是基于逻辑的精确检索。
文件:GraphRAG Workflow Diagram
核心机制：Indexing & Querying
1. Indexing (图谱构建与索引)
GraphRAG 首先利用 LLM 从非结构化文本（如医学指南、百科）中自动提取实体（Entities）和关系（Relationships），构建知识图谱。
特色技术： 微软提出的 GraphRAG 方法引入了社区发现（Community Detection）。它将紧密相关的节点（如所有关于“肺癌化疗”的节点）聚类成一个社区，并预先生成该社区的摘要。这使得 AI 能够回答“肺癌化疗有哪些常见方案？”这种宏观问题。
2. Querying (图谱增强检索)
当用户提问时，系统不仅进行关键词匹配，还在图谱上进行多跳游走（Multi-hop Traversal）。
例如：查询“Drug A 对 Gene B 突变患者的风险”，系统会沿路径检索：Drug A -> Target C -> Pathway D -> Gene B。它将这条完整的“证据链”作为上下文喂给 LLM，从而生成有理有据的回答。
横向测评：Vector RAG vs GraphRAG
GraphRAG 是对 Vector RAG 的降维打击，特别是在复杂专业领域。
| 维度 | Vector RAG (传统) | GraphRAG (进阶) |
|---|---|---|
| 数据表示 | 切片文本块 (Chunks) 的向量。数据是碎片的。 | 结构化的实体与关系 (Knowledge Graph)。数据是关联的。 |
| 推理能力 | 弱。 仅靠语义相似度，难以处理跨文档的逻辑连接。 | 强。 支持多跳推理，能发现隐性关系（A->B->C）。 |
| 全局理解 | 差。 难以回答“总结全部文档中提到的副作用”这类全集问题。 | 优。 利用图谱社区摘要，擅长回答宏观概括性问题。 |
| 构建成本 | 低。只需 Embedding 模型。 | 高。需要构建高质量图谱，涉及 NER 和关系抽取。 |
关键参考文献
[1] Edge D, et al. (2024). From Local to Global: A Graph RAG Approach to Query-Focused Summarization. Microsoft Research.
[奠基之作]：微软团队正式提出了 GraphRAG 的概念，证明了其在处理大规模数据集的全局性问题（Global Sensemaking）上显著优于传统 RAG。
[2] Pan S, et al. (2023). Unifying Large Language Models and Knowledge Graphs: A Roadmap. IEEE TKDE.
[综述]：系统阐述了 LLM 与 KG 结合的三种模式：KG 增强 LLM（即 GraphRAG）、LLM 增强 KG（用 AI 建图）以及协同进化。