仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
GraphRAG是一种扩展的RAG范式，通过构建图结构来组织背景知识，其中节点代表实体、事件或主题，边代表它们之间的逻辑、因果或关联关系。它不仅检索直接相关的节点，还会遍历图以捕获相互连接的子图，从而发现隐藏的模式。
GraphRAGvsRAG
GraphRAG是否真的有效，以及在哪些场景下图结构能为RAG系统带来可衡量的好处？
厦大和港理工提出的GraphRAG-Bench基准测试框架，旨在全面评估GraphRAG模型在分层知识检索和深度上下文推理中的表现：
实验部分对GraphRAG和传统RAG进行了全面对比，得出以下结论：
生成准确性（GenerationAccuracy）：GraphRAG在复杂推理、上下文总结和创造性生成任务中表现优于RAG，但在简单事实检索任务中，RAG的表现更好或相当。
检索性能（RetrievalPerformance）：GraphRAG在复杂问题上显示出优势，能够连接分散在不同文本片段中的信息，这对于多跳推理和全面总结至关重要。
图复杂性（GraphComplexity）：不同的GraphRAG实现生成的索引图在结构上存在显著差异，例如HippoRAG2生成的图更为密集，节点和边的数量远超其他框架。
港理工和腾讯优图提出的GraphRAG-Bench更侧重于评估GraphRAG在特定领域推理中的表现。该基准测试包含1018个涵盖16个学科的大学水平问题，涉及多跳推理、复杂算法编程和数学计算等多种任务类型。
GraphRAG的优势：在复杂推理和多跳任务中，GraphRAG显著优于传统RAG方法，尤其是在需要深度上下文理解和逻辑推理的任务中。
任务类型的影响：GraphRAG在不同任务类型中的表现存在差异。例如，在数学和伦理学领域，其表现不如在计算机科学领域。
推理能力的提升：GraphRAG方法不仅提高了生成的准确性，还显著提升了模型的推理能力，使其能够生成更符合逻辑的解释。
RAPTOR的图构建时间最长，但令牌消耗最少，因为它仅通过LLM生成总结。
KGP的图构建时间较短，但令牌消耗较高。
GraphRAG和LightRAG的图构建时间较长，且令牌消耗最多，因为它们生成了额外的描述信息。
G-Retriever和HippoRAG的图构建时间最短，且非孤立节点比例最高（约90%），表明它们在图构建质量上表现最佳。
GFM-RAG的索引时间最短，因为它不构建传统的向量数据库。
RAPTOR的平均检索时间最快，因为其树结构能够快速定位信息。
HippoRAG和GFM-RAG的检索时间较短，分别利用了GNN和PageRank算法。
GraphRAG的检索时间较长，因为它需要利用社区信息进行检索
推荐阅读
•动手设计AIAgents：（编排、记忆、插件、workflow、协作）
•DeepSeekR1+Agent的下半场
•单智能体（Agent）：企业员工AI助理
•Agent到多模态Agent再到多模态Multi-Agents系统的发展与案例讲解（1. 2万字，20+文献，27张图）
欢迎关注我的公众号“PaperAgent”，每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。
