首先，我们来关注一项最新动态——微软再次开源了GraphRAG。从DeepSpeed到Autogen，再到现在的GraphRAG，微软在工具层面几乎已经集齐了模型训练、智能体以及RAG这三大核心组件。此次开源的核心思路，是将基于知识图谱的检索增强生成能力，从局部匹配提升至全局理解，这一技术方向颇具深意。
这篇论文重点探讨了一个核心问题：人类在处理复杂任务时，通常需要阅读并理解大量文档，而大语言模型（LLM）在自动化这类场景中其实拥有巨大潜力。然而，现有的RAG方法在面对需要覆盖整个语料库的全局性问题时，往往显得力不从心。这类问题本质上属于查询聚焦摘要（QFS）任务，而不仅仅是简单的局部文本检索。因此，作者提出了一种基于图的RAG方法，通过构建实体知识图谱和社区摘要，使RAG系统能够处理更广泛的问题，并消化更大规模的源文本。
那么，GraphRAG具体是如何运作的？让我们一步步梳理它的处理流程。
源文档到文本块
第一步，是将源文档切分为适合处理的文本块。文本块的粒度是一个关键设计因素——块过大，能减少LLM调用次数，但可能因上下文窗口的召回率下降而影响提取效果；块过小，则可能增加不必要的计算开销。作者通过实验展示了不同文本块大小对实体引用检测的影响，这一平衡值得仔细权衡。
文本块到元素实例
接下来，利用多部分LLM提示，从文本块中识别并提取图节点和边的实例。具体而言，需要识别所有实体及其名称、类型、描述，以及实体之间的关系——包括源实体、目标实体和关系描述。这里有一个亮点：通过向LLM提供少量领域示例，可以定制提取过程，以适应科学、医学或法律等特定领域的知识。为了提高准确性，作者还采用了多轮“gleanings”方法——先让LLM评估是否所有实体都已提取，若发现遗漏则继续补充，这样就能在不引入噪声的前提下使用较大的文本块。
元素实例到元素摘要
提取出实体、关系和主张的实例后，下一步是将这些实例转化为每个图元素的描述性文本块。简单来说，就是对LLM生成的摘要再做一次精炼，确保每个图元素都拥有统一的描述。需要注意的是，尽管LLM可能以不同格式提取同一实体的引用，但通过后续的社区检测和总结，可以在图索引中对这些实体形成一致的表示。
元素摘要到图社区
到了这一步，之前构建好的索引被建模为一个同质无向加权图——实体节点通过关系边连接，边的权重表示检测到的关系实例的归一化计数。随后，使用社区检测算法（如Leiden算法）将图划分为不同的社区，社区内的节点连接更为紧密。这种层次化的社区结构，为全局摘要提供了一种分而治之的思路。
图社区到社区摘要
接下来，为Leiden算法生成的每个社区创建报告式的摘要。这些摘要不仅能帮助理解数据集的全局结构和语义，还能直接用于回答全局查询。具体做法是：对于叶级社区，元素摘要按优先级顺序依次填入LLM上下文窗口，直到达到标记限制；对于更高级别的社区，如果所有元素摘要都能塞进上下文窗口，就直接进行总结，否则用较短的社区摘要替换较长的元素摘要。
社区摘要到社区答案再到全局答案
最后一步，在收到用户查询后，进入多阶段生成过程：先准备社区摘要，生成中间答案，再汇总这些答案以产生最终的全局答案。由于社区结构是分层的，不同层次的社区摘要可用于回答不同粒度的查询，作者也评估了各层次的回答效果。
GraphRAG公司分析实战
理论部分讲解完毕，接下来看看如何用GraphRAG配合本地Ollama分析上市公司数据。下面以达梦数据的招股说明书为例进行演示。
首先下载GraphRAG代码：
git clone https://github.com/microsoft/graphrag.git
同时可以下载GraphRAG的UI工具：
git clone https://github.com/severian42/GraphRAG-Ollama-UI.git
按照教程安装好所需包后，在settings.yaml中设置好ollama的api_base和model，就可以将GPT-4替换成本地LLM。如果运行效率较慢，也可以换成qwen、deepseek这些性价比较高的国产模型。
将文本材料放在./ragtest/input目录下——这里使用的是达梦数据的招股说明书。然后运行以下命令构建知识图谱：
python -m graphrag.index --init --root ./ragtest
运行时间较长，用本地4090跑llama3:8b模型大约需要一小时左右。这里有一个需要注意的坑点：GraphRAG-Ollama-UI在UI端也可以执行indexing命令，但在Windows下会遇到编码问题，建议直接在命令行运行。
运行结束后，会生成知识图谱文件，可以直接在前端查看。系统已自动构建好达梦数据的知识图谱，在与大模型对话时，可以结合图谱内容和RAG机制来提升模型效果。
大模型对话展示：