深入解析 RAG、GraphRAG 与 MedGraphRAG 的工作机制，及其如何显著增强大语言模型在医疗领域的回答能力
大语言模型（LLM）无疑彻底改变了人们日常获取信息的方式，这一点毋庸置疑。然而，当涉足医学、法律、金融这类高度专业化的领域时，它们有时会“掉链子”——要么产生幻觉，给出模棱两可或错误的答案，要么因知识更新滞后而提供过时的信息。更棘手的是，这些领域通常包含大量私有、非公开的专业数据，除非专门进行微调，否则 LLM 无法直接访问。然而微调本身就是一项耗时费力的工程，需要领域专家、大量计算资源和时间投入。
为解决这一难题，2021 年学界引入了检索增强生成（RAG）方法。RAG 的设计思路十分巧妙：在不进行模型微调的前提下，让 LLM 能够直接调用专业的私有数据集来回答问题。到了 2024 年初，图检索增强生成（GraphRAG）的出现，进一步提升了检索的精准度，它使模型不仅能定位文档，还能理解信息之间的“拓扑关系”。最终，专为医学领域量身定制的 MedGraphRAG 应运而生。这一框架在多项医学问答基准测试中，表现甚至超越了经过微调的最先进 LLM。更为关键的是，它生成的回答附带源文档引用，彻底告别了 LLM 那种“黑箱”式的回应——在医学这种容错率极低的领域，不可靠的回答可能危及生命。
接下来，我们将逐层拆解 RAG、GraphRAG 与 MedGraphRAG 的工作原理，探讨它们如何让 LLM 在专业领域变得更加智能。直接进入正题。
先来聊聊 RAG
RAG，全称检索增强生成，是一项信息检索技术。其核心在于让 LLM 能够利用特定用例的私有数据集，生成更准确、更具时效性的回答。
这一名称本身也清晰概括了它的工作流程：
- Retrieval（检索）：从知识库或私有数据集中找出相关的信息或文档。
- Augmentation（增强）：将检索到的信息融入输入上下文，作为补充材料。
- Generation（生成）：LLM 根据原始提问及增强后的上下文，输出最终回答。
不过，RAG 也有其“短板”。当需要根据共享属性连接不同信息时，它有时会力不从心。尤其是在需要对海量数据进行总结、理解深层语义概念的任务上，表现会打折扣。这也正是 GraphRAG 在 2024 年登场的背景。
什么是 GraphRAG？
GraphRAG（即图检索增强生成）在 RAG 的基础上，引入了知识图谱这一全新维度。如果说 RAG 对文本信息中隐含的拓扑关系“视而不见”，那么 GraphRAG 则是专门利用这些关系。其核心工作流程分为四个阶段：
k-hop 自我图的索引：首先，以每个节点（称为“自我”）为中心，构建一个可搜索的子图。该子图包含从“自我”出发，在
k步之内能到达的所有节点和关系。图检索：接着，从之前索引好的子图集合中，找出与给定查询最相关的那些“自我图”。
软修剪：然后，将检索到的子图中不相关的实体“修剪”掉，减少它们对最终生成的干扰。
使用修剪后的文本子图生成：最后，基于经过修剪、更纯净的子图，让 LLM 生成文本。
注意，RAG 检索的是离散的文档片段，而 GraphRAG 检索的是与查询相关的整个子图结构。这避免了那些语义相似但不相关的文档（可参考下文示意图中的红色部分）对生成结果造成负面影响。
正是 GraphRAG 的这些理念，被进一步延伸到了医学领域，催生了 MedGraphRAG。
MedGraphRAG 是如何工作的？
简单来说，MedGraphRAG（医学图谱 RAG）的工作流程可概括为三个步骤：
- 医学图谱构建：
- 将医学文档分割成有意义的块
- 从这些块中提取相关实体（如症状、药物、疾病）
- 将这些实体组织成一个三层的图结构，以建立关联
- 图检索：
- 根据用户的提问，从构建好的图中检索相关的子图和实体
- 文本生成：
- 利用检索到的信息生成文本，并在回答中注明信息来源
下面我们详细看看每个步骤。
语义文档分割
面对一个知识库，第一步就是把文档分割成块。传统的 RAG 通常按固定的字符数或 token 数量来切分，这很容易导致语义信息的断裂，比如一个完整的话题被拦腰截断。为解决这一问题，MedGraphRAG 采用了一种更智能的做法。
首先，它利用换行符将文档初步分隔成段落。然后，对这些段落进行“命题转移”——一种语义分割技术，将每个段落转化为自包含的陈述句。接着，让一个 LLM 逐个分析这些命题，判断应该将其合并到已有的块中，还是另起一个新的块。整个过程采用滑动窗口方式，每次处理五个段落，以减少干扰。此外，还设定了硬阈值，确保最长的块不会超过 LLM 的上下文长度限制。这样一来，最终切分出的每个文档块都包含完整的语义，为后续的图谱构建打下坚实基础。
元素提取
这一步要从每个文档块中识别出相关的实体。一个 LLM 会被提示，为每个实体输出其名称、类型（从一个预定义的医学专业术语列表中选择）以及一段描述。该提取过程会重复多次，目的是降低噪声，保证提取的质量和完整性。每个被提取出来的实体还会被分配一个唯一 ID，以便随时追踪其原始出处——来自哪个文档、哪个段落。
层级链接
这一步是 MedGraphRAG 的亮点之一，目的是确保 LLM 在处理时不会偏离精确的医学术语。它通过构建一个三层的图数据结构，将每个提取的实体与基础医学知识和标准术语链接起来。
- 第一层：从用户提供的私人文档（如论文、病历）中提取出来的实体。
- 第二层：将这些实体与一个基础医学知识图谱进行链接。该图谱是从教科书和学术文章中构建的，在 MedGraphRAG 的实验中，它使用了 MedC-K 语料库——一个包含 480 万篇生物医学论文和 3 万本教科书的庞大数据集。
- 第三层：第二层的图谱再进一步与更成熟、更权威的医学术语体系对接，例如统一医学语言系统（UMLS）。
经过这三层链接，每个实体不再是孤立的，而是被牢牢锚定在了一个庞大且权威的医学知识网络中。
关系链接
有了实体，就需要明确它们之间的关系。这一步会用到 LLM 来创建一个有向加权图（称为元图），以识别出那些明确相关的实体之间的所有关系，从而极大丰富了图的结构。
标签生成与图的合并
接下来，需要将所有元图连接起来，形成一个全局图，用于高效的信息检索。具体来说，先让 LLM 根据预定义的医学类别（如症状、病史、身体功能、药物）为每个元图生成摘要标签，得到一个简洁的标签列表。然后，利用这些标签计算不同元图之间的相似度，根据相似度指导它们合并成一个统一的全局图。
上述所有构建步骤的总结可参考下面的示意图。
图检索
当用户提问时，系统会用同样的方法为查询生成摘要标签，然后利用这些标签去全局图中匹配最相关的部分。这里采用了一种名为 U-retrieve 的自上而下匹配策略：匹配先从较大的图开始，再逐步缩小范围。这能够高效定位到图中与问题直接相关的实体，以及它们的前 k 个相关实体。
文本生成
最后一步，让一个 LLM 根据检索到的信息生成一个中间答案，再结合从更高层图谱中汇总的标签信息，采用自底向上的方式，在遍历所有索引图谱后，生成最终的可信回答。
MedGraphRAG 的表现如何？
MedGraphRAG 在各类医学基准测试（如 PubMedQA、MedMCQA 和 USMLE 数据集）上都带来了显著的性能提升。对于像 LLaMA2-13B 和 LLaMA3-8B 这样较小的模型，提升尤为惊人，因为它们在处理医学问题时的表现原本并不理想。而对于 GPT 和 LLaMA3-70B 这类大型模型，MedGraphRAG 也让它们达到了最新的 SOTA（最先进）水平，甚至在某些临床工作流中超过了人类专家的准确性。
值得注意的是，MedGraphRAG 甚至超越了那些已在医学领域做过微调的模型。消融研究也证实，文档分块、分层图构建和 U-retrieve 这些看似复杂的步骤，每一步都在实实在在地推动性能提升。
更重要的是，MedGraphRAG 让 LLM 能够为复杂的医学问题生成有据可查的回答，并清楚列出信息来源。这在很大程度上提高了 LLM 在医学应用中的安全性和可解释性。最终，这项研究让我们看到，AI 在医学领域大规模应用的这一天，或许比我们想象中来得更快。