在上一篇文章中，我们详细解读了 GraphRAG 原理中知识图谱的构建过程。今天这篇文章，我们将重点聚焦于图谱检索部分——即在知识图谱构建完成后，如何将用户提出的问题精准映射到图上，并高效获取答案。

GraphRAG 主要提供两种检索策略：局部搜索（local search）和全局搜索（global search）。这两种方式各有特点，适用的场景也截然不同。接下来，我们逐一进行深入剖析。

局部搜索（Local Search）

局部搜索是一种从微观视角出发的检索方法，通俗而言，它更适合回答那些聚焦于具体实体的问题，例如“急性肠胃炎应该如何治疗”。这类问题需要紧密围绕某个实体及其关联关系进行信息提取，而非着眼于全局。其核心流程大致如下：

首先，当用户提交查询后，系统会将查询转换为适合在知识图谱或向量数据库中搜索的形式，例如关键词或向量表示。接着，通过向量搜索或关键词匹配，在知识图谱中初步定位与查询语义相近的一组初始节点或文档集合。这一步骤相当于划定了一个“嫌疑范围”。

随后，基于这些初步结果，系统在图数据库中进行图遍历，将与初始节点相关联的其他节点信息一并提取出来——这一过程充分利用了知识图谱中的关联性，从而使上下文更加丰富。之后，采用基于图的排序算法（如 PageRank）对这些节点进行排序，确保最相关的内容优先呈现。最后，将排序后的节点或文档作为上下文信息输入生成式 AI 模型，从而生成最终回答。

局部搜索的特点

高效性：由于仅在局部范围内搜索，计算量相对较小，响应速度较快。尤其是在处理大规模图数据时，能够在较短时间内给出质量不错的局部结果。

局部最优性：但该方法找到的是局部最优解，而非全局最优。因为它只关注局部区域，并未对整张图进行全面扫描。

对初始解敏感：搜索结果高度依赖初始节点的选择。不同的起点可能导致截然不同的结果，因此带有一定的随机性。

全局搜索（Global Search）

如果说局部搜索好比“显微镜”，那么全局搜索则如同“卫星地图”。这是 GraphRAG 的核心优势所在，专门用于解决传统 RAG 技术在处理需要跨数据集汇总信息时的痛点。例如，“这篇文章主要讲了什么”——这类摘要总结类问题，传统 RAG 通常将文档分块后再检索，容易遗漏重要信息，难以给出全面回答。全局搜索侧重于全文理解，能够从宏观视角将分散的信息串联起来。

其核心流程分为两个阶段：Map 阶段和Reduce 阶段。

Map 阶段：系统根据用户输入的问题和历史对话，在指定的层次（community_level）上，将所有的社区报告总结提取出来，分成多个批次，让大模型并发地为每个批次生成带有评分的中间响应。该评分用于衡量观点的重要性——需要注意的是，这里并未使用向量嵌入进行匹配，而是完全依赖大模型自身的理解能力进行打分。

Reduce 阶段：对上一阶段产生的中间响应结果进行排序，挑选出得分最高的观点（按分数排序），汇总后作为参考上下文，最终交给大模型生成完整回答。

全局搜索的特点

全局最优性：能够找出全局最优解，回答质量有保障。对于精确度要求较高的问题，全局搜索是一个可靠的选择。

计算量大：代价也十分明显——需要遍历整个图结构，计算量通常很大，搜索时间也较长。当面对超大规模图时，可能变得相当缓慢。

鲁棒性强：它不受初始解的影响，因为对整个图进行了全面探索，找到最优解的概率更高。

综上所述，局部搜索和全局搜索各有其独特优势。局部搜索速度快、对起点敏感，适合在大型图谱上快速获取局部答案，适用于对精度要求不高的场景。而全局搜索追求最优解，但需要更多算力，更适合小规模图或高精度要求的任务。在实际项目中，选择哪一种策略需要根据业务场景的具体特征来决定——包括数据量大小、查询类型偏实体还是偏总结、对响应速度的敏感程度等。只有将这些因素考虑周全，才能真正发挥 GraphRAG 的潜力。