GraphRAG
微软Research推出的图增强检索生成项目，将知识图谱与RAG技术结合，为大模型提供结构化上下文以提升代码和文档理解能力
核心事实
时间轴 (近 90 天)
该方法引入实体驱动的GraphRAG检索，将用户问题锚定在领域术语上，而非单纯依赖语义向量的接近程度。
GraphRAG是检索增强生成的一种变体，其检索阶段先在图上进行实体识别与多跳遍历，再将命中的子图作为上下文注入生成模型。
知识三元组的结构为(主体实体)--[有向谓词]-->(客体实体/数值约束)，是GraphRAG的原子数据单元。
现代AI搜索引擎（如Perplexity、ChatGPT Search）使用向量空间嵌入与图增强RAG检索，而非实时爬取网页统计关键词密度来确定可见性。
Elastic认为图数据库（GraphRAG）在大规模数十亿向量场景下并未被证明是必要方案，目前更倾向于用分类模型和过滤机制解决关系推理问题。
KV-cache复用前提是前缀稳定，GraphRAG将图结构压平为线性文本导致每次查询上下文前缀几乎不同，缓存命中率极低。
FuseRAG通过将可复用内容与查询相关的结构交互分离，并将后者注入解码器自注意力层，实现相对最佳GraphRAG基线2.2到2.7倍的TTFT加速，且质量无损。
一个追踪记录显示，GraphRAG 单次全局查询需要 10+ 次 LLM 调用和约 20 万 token，而局部查询约 11,500 token。
ONGRID是一个GraphRAG工具，除了检索和生成外，还增加了判断答案是否可信的步骤。
在GraphRAG场景中，PPR不依赖任何LLM调用，纯图算法即可在毫秒级为子图内每个节点打一个相关性分数，开发者只需设一个阈值或取top-N，就能在把上下文喂给模型之前丢掉80%的边缘节点。
还有 37 条时间轴事件
全部知识事实 (20)
GraphRAG的核心是把知识图谱融入传统RAG流程，以三元组（两个实体及其关系）形式组织信息
90%已验证GraphRAG通过社区检测算法（如Leiden算法）对知识图谱进行层次化聚类，生成不同粒度的社区摘要
80%已验证RAG（检索增强生成）是一种结合信息检索与生成式大模型的架构范式，模型生成答案前先根据用户查询从外部知识库检索最相关的文档片段，再将其作为上下文注入模型
70%已验证GraphRAG的做法是从文档中抽取实体与关系，以节点和边形式存入图数据库，检索时先用向量召回候选节点再沿图的边做多跳推理
65%已验证传统RAG依赖分块检索，将文档切分成片段后通过向量相似度匹配返回最相关段落，无法捕捉实体之间的逻辑关系和因果链条
65%已验证微软2024年的研究实验证明，GraphRAG在需要跨多个文档综合推理的全局性问题上比标准RAG表现显著更优，但索引构建成本和查询延迟均有所上升
65%已验证微软于2024年提出GraphRAG，属于图谱记忆方向的探索
65%已验证GraphRAG架构通过知识图谱显式建模角色关系与事件因果链来弥补纯向量检索的局限
65%已验证微软研究院2024年发布了GraphRAG论文，证明GraphRAG在处理结构化知识时比传统RAG准确率提升显著
65%待验证Skill Seeker的文档转Skills自动化方向与微软Research提出的GraphRAG思路相近
65%待验证该解决方案采用agentic retrieval让检索过程具备主动推理能力，并通过Cypher查询语言在图上进行结构化查询
60%待验证GraphRAG Blueprint提供局部模式和全局模式两种检索模式，局部模式针对事实层面精确问答，全局模式面向跨文档综合归纳
60%待验证GraphRAG通过构建知识图谱，将函数、类、模块作为节点，将调用关系、继承关系、依赖关系作为边来组织代码知识
60%待验证该方法引入实体驱动的GraphRAG检索，将用户问题锚定在领域术语上，而非单纯依赖语义向量的接近程度。
50%待验证GraphRAG是检索增强生成的一种变体，其检索阶段先在图上进行实体识别与多跳遍历，再将命中的子图作为上下文注入生成模型。
50%待验证现代AI搜索引擎（如Perplexity、ChatGPT Search）使用向量空间嵌入与图增强RAG检索，而非实时爬取网页统计关键词密度来确定可见性。
50%待验证知识三元组的结构为(主体实体)--[有向谓词]-->(客体实体/数值约束)，是GraphRAG的原子数据单元。
50%待验证Elastic认为图数据库（GraphRAG）在大规模数十亿向量场景下并未被证明是必要方案，目前更倾向于用分类模型和过滤机制解决关系推理问题。
50%待验证FuseRAG通过将可复用内容与查询相关的结构交互分离，并将后者注入解码器自注意力层，实现相对最佳GraphRAG基线2.2到2.7倍的TTFT加速，且质量无损。
50%待验证KV-cache复用前提是前缀稳定，GraphRAG将图结构压平为线性文本导致每次查询上下文前缀几乎不同，缓存命中率极低。
50%