返回文章列表

关于GraphRAG,LightRAG,HippoRAG三种知识图谱RAG对比

·23 分钟阅读
RAG知识图谱Agent

GraphRAG

数据结构

GraphRAG数据结构大致是这样的 首先，基础是最普遍的知识图谱RAG，实体和关系。实体和关系拥有各自的摘要，实体和关系的提取和摘要生成都是由LLM负责的。实体和关系的摘要和向量都会被保存 接下来是GraphRAG区别于普通RAG的区别。社区结构：GraphRAG通过Leiden算法，把实体和关系分成数个不同层级的社区（其中，不同级社区可以共享节点，但同级社区不能，在原论文中，分为了四级社区）。并由LLM为各社区生成社区摘要，这为后面GraphRAG的优势作了铺垫

GraphRAG的查询

GraphRAG大致上分为三种查询，分别为Global/Local/DRIFT Search，我们一个个来讲

1.Global Search

  • 核心逻辑：自上而下 (Top-Down)

全局搜索主要用于处理那些抽象、总结性的问题。例如：“这份报告中提到的三个核心风险是什么？”

  • 机制描述 它不直接检索原始数据或单个实体，而是利用预先生成的社区摘要（Community Summaries）。GraphRAG 会将图谱划分为不同的层次（Levels），从宏观的“根社区”到微观的“子社区”。

  • 执行步骤： 1.将查询发送到指定层级的所有社区摘要。 2.大模型对每个摘要进行评分并提取相关要点（中间答案）。 3.最后将所有要点汇总，生成最终的全局总结。

  • 适用场景： 主旨分析、趋势预测、跨数据集的总结。

2.Local Search

  • 核心逻辑：以点带面 (Centric)

局部搜索用于处理针对具体实体或关系的细节问题。例如：“张三在 2023 年负责了哪些项目？”

  • 机制描述： 它通过向量相似度找到与查询最相关的实体，然后以此为中心，拉取该实体的所有“邻居”（相关实体、关系、摘要、以及关联的原始文本块）。

  • 执行步骤：

1.向量检索：找到匹配的实体和关系。 2.上下文构建：把实体摘要、关系描述、元数据和原始文本切片拼接成一个庞大的上下文窗口。 3.大模型推理：模型基于这些密集的局部事实给出精确回答。

  • 适用场景： 事实性问答、特定对象调查。

3.DRIFT Search

  • 核心逻辑：路径漫游 (Traversal/Reasoning)

DRIFT 是微软在 GraphRAG 基础上提出的一种进阶机制，旨在解决复杂的多步推理问题。

  • 机制描述： DRIFT 的核心在于“搜索即推理”。它认为很多问题无法通过一次检索解决，需要根据初步发现的信息去寻找“下一个线索”。

  • 核心组件：

Dynamic（动态）：根据当前发现动态调整路径。 Reasoning（推理）：利用 LLM 判断当前的搜索深度。 Iterative（迭代）：多次循环。

  • 执行逻辑： 它会生成后续查询（Follow-up Queries）。比如问“某药品的副作用”，DRIFT 可能先搜到药品成分，发现成分 A 有毒性，于是自动发起第二次检索去查“成分 A 的毒理实验”，最后再合并回答。

  • 适用场景： 深度调查、需要多步跳跃（Multi-hop）的逻辑推理。

GraphRAG 的实体消歧

原论文好像只谈到了Prompt Engineering?记不太清了，先写着

GraphRAG 劣势

  1. 索引成本 GraphRAG 最被诟病的缺点就是“贵”。

Token 消耗巨大：在构建索引阶段，系统需要对全量文档进行多次 LLM 调用。首先是实体与关系提取，随后是实体消歧、社区发现，最后还要对成百上千个社区生成摘要报告。

计算开销：对于百万字规模的文档集，GraphRAG 的索引成本可能比传统向量 RAG 高出 数十倍甚至上百倍。

  1. 严重的索引延迟 GraphRAG 的索引过程不是“即插即用”的。

构建耗时：由于涉及复杂的图拓扑计算（如 Leiden 算法）和海量的 LLM 摘要任务，构建一个大规模知识图谱可能需要几小时甚至几天。

难以实时更新：当有新文档加入时，传统 RAG 只需要计算一个向量并插入数据库；而 GraphRAG 理论上需要重新考虑社区结构和摘要的更新，增量更新在目前的工程实现中依然是一个难点。

LightRAG

数据结构

LightRAG是基于双层索引实现的，大致表现为 低层级（Low-level）： 专注于具体实体及其关系。类似于传统的向量检索，能精确回答“XX 是什么？”这类事实性问题。

高层级（High-level）： 捕捉更宽泛的主题和抽象概念。它将相关的实体聚合成更高的语义层级，用于回答“总结一下 XX 的主要特征”或“XX 对行业有何影响？”这类全局性问题。 这里的高层级和GraphRAG的社区不太一样，首先是没有多层次的结构，其次是高层级表现形式并不是一段摘要，而是更为抽象的概念，如会把“理想”、“特斯拉”、“蔚来”，统一会被抽象为"电车行业"。也就是说，高层级和低层级本质都是实体，只不过高层级是LLM分析出来的，他们之间的联系就是普通的两个实体之间的联系一样

LightRAG 检索

LightRAG 的检索机制采用了双层并行检索策略，旨在同时兼顾低层级的事实细节和高层级的宏观概念。其核心步骤如下：

第一步：查询转换与关键词提取 (Query Expansion)

系统接收到用户的问题（Query）后，并不直接进行搜索，而是通过大语言模型（LLM）进行“意图扩充”：

  • 多维度建模： LLM 会分析问题，提取出核心**实体（Entities）关键词和关系（Relationships）**关键词。
  • 双层分类： 关键词被分为两个集合：
    1. 低层关键词 (Low-level)： 指向具体的名称、参数、特定事件（例如：“2170 电池能量密度”）。
    2. 高层关键词 (High-level)： 指向抽象概念、行业趋势、总结性话题（例如：“电池技术演变对供应链的影响”）。

第二步：子图匹配与检索 (Candidate Match)

系统利用关键词在图索引中定位“候选知识区域”，这是 LightRAG 效率高于传统方案的关键：

  • 节点定位： 在知识图谱中通过向量相似度找到与关键词最接近的节点，作为“种子节点 (Seed Nodes)”。
  • 局部子图提取 (Subgraph Extraction)： 从种子节点出发，顺着图中的边（Edges）向外延伸（通常为 1-2 跳）。
    • 核心优势： 它只捞取与问题高度相关的“知识簇”，而不是读取全图或所有文档。
  • 双层检索并行执行：
    • Low-level 检索： 抓取具体的实体细节和三元组事实。
    • High-level 检索： 抓取高维抽象节点及其与其他大类概念的逻辑联系。

第三步：路径搜索与背景补全 (Path-based Context Discovery)

在拿到零散的子图信息后，系统会进行逻辑缝合，增强上下文的连贯性：

  • 关联补全： 如果某个低层实体（如“特斯拉”）与某个高层概念（如“清洁能源战略”）同时出现在检索范围内，系统会优先提取连接这两者的路径。
  • 拓扑排序： 根据图结构（如节点度数、路径深度）对检索到的关系片段进行优先级排序，确保最重要的逻辑支撑排在最前面。

第四步：上下文重组与答案生成 (Response Generation)

将检索到的非结构化图数据转化为 LLM 可理解的 Context：

  • 格式化输入： 将提取到的子图（实体-关系-实体）和预先生成的语义摘要组合成一段结构化的参考素材。
  • 生成答案： LLM 基于这些既有细节支持（低层）又有宏观框架（高层）的素材，生成准确、深入且不失全局观的回答。

LightRAG优劣

相比GraphRAG，LightRAG的名字已经点出了它的优势，更加轻量化，并且增量更新更方便 劣势的话，大概是更加依赖模型能力？

HippoRAG

我快写不动了，这段交给gemini写吧 好累

HippoRAG

HippoRAG 是一种受人类大脑海马体（Hippocampus）记忆机制启发的检索增强生成（RAG）框架。它旨在解决传统 RAG 在处理跨文档多跳推理（Multi-hop Reasoning）时的局限性。通过模拟大脑的联想记忆功能，HippoRAG 能够连接分布在不同文档中的碎片化信息，构建出完整的逻辑证据链。

HippoRAG 数据结构

HippoRAG 的数据结构构建（索引阶段）主要包含以下核心要素：

  • 开放实体抽取（OpenIE）： 利用大语言模型（LLM）从非结构化文本中提取实体（Nodes）及其相互关系（Edges），构建初步的知识图谱。
  • 实体-文档关联： 建立一个双层索引结构，不仅记录实体间的逻辑关系，还保留实体与其来源文本段落（Passages）之间的映射。
  • 语义向量空间： 对图谱中的每个实体节点进行向量化（Embedding），确保在检索时能够通过语义相似度（而非仅靠关键词匹配）找回相关节点。

HippoRAG 查询

HippoRAG 的查询过程模拟了神经科学中的“激活扩散”机制：

  1. 初始检索： 从用户查询中提取实体，并在图谱中通过语义相似度识别出起始节点。
  2. 个性化 PageRank (PPR)： 以初始节点为起点，运行 PPR 算法。该算法在图结构上进行概率传播，赋予那些在逻辑路径上频繁出现或紧密相连的节点更高的“激活值”。
  3. 证据提取： 汇总所有高激活节点关联的原始文档段落，作为 LLM 生成答案的最终上下文。

HippoRAG 相比 GraphRAG, LightRAG 优劣

维度 HippoRAG Microsoft GraphRAG LightRAG
核心算法 个性化 PageRank (PPR)。通过路径传播模拟联想，寻找跨文档连接。 社区检测 (Leiden Algorithm)。预先对图进行聚类并生成多层级摘要。 双层索引 + 增量更新。结合实体级和关系级索引，支持动态数据。
主要优势 检索效率极高。无需生成昂贵的社区摘要，能快速处理复杂的多跳逻辑问题。 宏观掌控力强。非常擅长回答“总结全文”或“分析全局趋势”类的宏观问题。 低成本且实时。支持数据的增量更新，在保持较低索引成本的同时兼顾局部与全局。
主要劣势 极度依赖知识图谱的构建质量，若图谱过于稀疏或错误，路径传播将失效。 成本高昂。预索引阶段需要消耗大量 LLM Token 来生成各层级的总结报告。 在处理深度、超长路径的纯逻辑推理时，表现可能略逊于 HippoRAG。
适用场景 法律合规审查、医疗诊断、复杂的多文档证据追溯。 企业知识库调研、宏观行业报告总结。 需要频繁更新知识的生产环境、通用型知识问答。

哎哟我 累死了