RAG vs. GraphRAG：谁才是 AI 问答的终极答案？

一、为什么需要 RAG 和 GraphRAG 技术？

1.1 大模型的局限性

大型语言模型（LLMs, Large Language Models）虽然在生成文本方面表现出色，但它们存在一些固有缺陷。比如，LLMs 容易出现“幻觉”现象，即生成不准确或虚构的内容。此外，LLMs 的上下文窗口有限，无法处理过长的文本，还存在隐私泄露的风险。为了弥补这些不足，检索增强生成（RAG, Retrieval-Augmented Generation）技术应运而生。RAG 通过从外部数据源检索相关信息，显著提升了模型的准确性和鲁棒性。例如，在医疗领域，RAG 可以帮助医生快速检索最新的医学文献，从而提高诊断的准确性。

1.2 结构化数据的挑战

尽管 RAG 在文本数据上表现优异，但对于结构化数据（如知识图谱），传统的 RAG 方法显得力不从心。知识图谱（KGs, Knowledge Graphs）等图结构数据蕴含丰富的关联信息，而 GraphRAG 则专门用于从图数据中检索信息。然而，随着研究的深入，人们发现将文本数据转化为图结构后，GraphRAG 在文本任务中也能发挥重要作用。例如，在社交网络分析中，GraphRAG 可以通过分析用户之间的关系，帮助识别潜在的社交圈层。

1.3 RAG 与 GraphRAG 的互补性

RAG 和 GraphRAG 各有优劣：RAG 擅长处理单跳问题和细节信息，而 GraphRAG 在多跳问题和推理任务中表现更佳。为了充分发挥两者的优势，我们需要系统地评估和比较它们在广泛文本任务中的表现，并探索如何将它们结合起来以提升整体性能。例如，在法律领域，RAG 可以用于检索具体的法律条文，而 GraphRAG 则可以帮助律师分析案件之间的关联性，从而提供更全面的法律建议。

二、RAG与GraphRAG

图片

2.1 RAG：文本检索的利器

RAG（Retrieval-Augmented Generation，检索增强生成）的核心思想是将文本分割成小块（chunks），并通过语义搜索或词法搜索从外部数据源中检索相关信息。具体来说，RAG 会将查询和文本块映射到同一个特征空间，计算它们的相似度，从而找到最相关的文本块。这种方法特别适合处理单跳问题和需要详细信息的任务。

举个例子，假设你正在使用一个问答系统，询问“谁发明了电话？”RAG 会从大量的文本数据中检索出与“电话”和“发明”相关的文本块，然后生成一个准确的答案：“亚历山大·格拉汉姆·贝尔”。这种检索方式不仅提高了答案的准确性，还能有效减少大语言模型（LLMs）的“幻觉”问题，即生成不准确或虚构的信息。

RAG 的实现通常依赖于语义相似性计算。比如，使用 OpenAI 的 text-embedding-ada-002 模型将文本块和查询映射到同一个向量空间，然后通过计算余弦相似度来找到最相关的文本块。

2.2 GraphRAG：图结构的智慧

GraphRAG 则专注于从图结构数据中检索信息。它首先将文本转化为知识图谱（Knowledge Graph, KG），然后通过遍历图中的节点和边来获取相关信息。GraphRAG 有两种主要方法：

• •基于知识图谱的 GraphRAG：从文本中提取三元组（实体、关系、实体），并通过多跳邻居检索信息。例如，如果你询问“爱因斯坦的导师是谁？”，GraphRAG 会从知识图谱中找到“爱因斯坦”这个节点，然后通过“导师”关系找到“赫尔曼·闵可夫斯基”这个实体。
• •基于社区的 GraphRAG：在知识图谱的基础上构建层次化社区，并从社区中检索信息。这种方法特别适合处理多跳问题和需要全局视角的任务。例如，在处理“爱因斯坦的导师的导师是谁？”这样的多跳问题时，基于社区的 GraphRAG 能够通过社区的层次结构，逐步检索出“爱因斯坦”的导师的导师：“卡尔·弗里德里希·高斯”。

GraphRAG 的优势在于它能够捕捉到文本中的复杂关系，特别适合处理需要多步推理的任务。比如，在处理“爱因斯坦的导师的导师是谁？”这样的问题时，RAG 可能会因为信息分散在多个文本块中而表现不佳，而 GraphRAG 则能够通过图结构的关系链，准确地找到答案。

2.3 开源实现

• •RAG：可以使用 LlamaIndex 等开源工具实现。LlamaIndex 是一个高效的检索增强生成工具，支持将文本分割成块并进行语义搜索，特别适合处理单跳问题和需要详细信息的任务。
• •GraphRAG：微软的 GraphRAG 项目提供了基于社区的 GraphRAG 实现。该项目通过构建层次化社区，能够有效地处理多跳问题和需要全局视角的任务，特别适合在复杂推理任务中应用。

通过结合 RAG 和 GraphRAG 的优势，可以在不同的任务中实现更高效的检索和生成。例如，在处理单跳问题时使用 RAG，而在处理多跳问题时使用 GraphRAG，从而在问答、摘要生成等任务中取得更好的效果。

三、RAG 和 GraphRAG 的应用效果评估

3.1 问答任务的表现

图片

在问答任务中，RAG（Retrieval-Augmented Generation，检索增强生成）和 GraphRAG（图检索增强生成）展现了明显的互补性。RAG 在处理单跳问题和细节信息任务时表现优异。例如，在 Natural Questions（NQ）数据集上，RAG 的准确率显著高于 GraphRAG。这是因为 RAG 通过语义搜索直接从文本中检索相关信息，适合回答直接且具体的问题。

图片

相比之下，GraphRAG 在多跳问题和推理任务中表现更佳。例如，在 HotPotQA 数据集上，基于社区的 GraphRAG（Local）的 F1 得分比 RAG 高出 5%。这是因为 GraphRAG 利用图结构捕捉实体之间的关系，能够更好地处理需要跨多个文档或实体进行推理的复杂问题。

3.2 查询摘要任务的表现

图片

在查询摘要任务中，RAG 和 GraphRAG 的表现因任务类型而异。RAG 在多文档摘要任务中表现最佳，能够捕捉到更多的细节信息。例如，在 ODSum-story 数据集上，RAG 生成的摘要更接近真实答案，因为它直接从多个文档中提取关键信息。

GraphRAG 则在全局摘要任务中表现更佳，能够生成更多样化和多角度的摘要。例如，在 QMSum 数据集上，GraphRAG 通过分析文档的全局结构，生成更全面的摘要，适合需要整体视角的任务。

如果你需要总结一篇关于“气候变化”的多篇研究报告，RAG 可以提取每篇报告的具体数据，而 GraphRAG 则可以从整体上分析这些报告之间的关系，生成更宏观的摘要。

3.3 性能提升策略

为了结合 RAG 和 GraphRAG 的优势，提出了两种策略：选择策略和集成策略。

• 选择策略（RAG vs. GraphRAG Selection）根据查询的特性动态选择 RAG 或 GraphRAG。例如，事实类查询使用 RAG，推理类查询使用 GraphRAG。

• 集成策略（ RAG and GraphRAG Integration）则同时使用 RAG 和 GraphRAG 检索信息，并将结果合并生成最终答案。集成策略在大多数任务中表现更佳，但计算成本较高。

本文转载自​​大语言模型论文跟踪​​，作者：HuggingAGI