GraphRAG 与知识图谱 LLM 可视化实验室
从向量检索到图结构检索——把 GraphRAG 如何增强 LLM 知识能力的核心机制以可交互 SVG 呈现。
01
GraphRAG 全景
传统 RAG 基于向量检索片段，GraphRAG 构建知识图谱并基于图结构检索。切换视图对比两种范式与知识图谱构建流程。
传统RAG
向量相似检索
片段独立，缺全局关系
GraphRAG
图结构检索
实体关系显式建模
核心优势
全局问答能力
跨文档关系推理
构建流程
抽取 → 聚类 → 索引
离线建图，在线检索
02
实体关系抽取
LLM 从文档中抽取实体、关系、属性，构建三元组形成知识图。点击抽取按钮观察三元组构建过程。
实体
名词性概念
人/组织/地点/事件
关系
实体间连接
谓词性边标签
属性
实体特征
键值对附加信息
三元组
(头, 关系, 尾)
知识图基本单元
03
社区检测与层级摘要
Leiden 算法发现社区结构，生成多层级摘要支持全局查询。切换层级观察社区树结构。
Leiden算法
社区发现
改进 Louvain，保证连通
层级摘要
多粒度聚合
叶节点 → 社区 → 全局
社区树
层级结构
支持自顶向下检索
用途
全局问答
摘要作为检索单元
04
全局 vs 局部查询
全局查询遍历社区摘要回答宏观问题，局部查询聚焦子图回答具体问题。切换查询类型观察路由策略。
全局查询
遍历社区摘要
回答宏观/总结性问题
局部查询
聚焦子图
回答具体实体问题
查询路由
分类器分流
根据问题类型选择策略
混合策略
全局+局部融合
兼顾宏观与细节
05
图嵌入与检索
Node2Vec、GraphRIT 将图结构编码为向量，结合向量与图进行混合检索。切换方法对比嵌入策略。
Node2Vec
随机游走嵌入
平衡广度/深度优先
GraphRIT
关系感知嵌入
编码关系语义
向量检索
近邻查找
高效但忽略结构
混合检索
向量+图遍历
兼顾相似与连通
06
增量更新机制
新增文档需增量更新图结构与索引，维护一致性。点击新增观察增量更新流程。
动态图
边/节点增删
支持流式更新
增量索引
局部重建
避免全量重算
一致性
版本与锁
读写隔离保证正确
社区重算
受影响子图
局部 Leiden 重新聚类
07
Token 优化策略
图压缩、摘要裁剪、层级路由降低 token 消耗。切换策略观察 token 节省效果。
图压缩
合并冗余节点
低度数节点折叠
摘要裁剪
截断长摘要
保留关键句
层级路由
先粗后细
按需下钻减少 token
缓存
重复查询复用
避免重复检索消耗
08
GraphRAG 生态
Microsoft GraphRAG、LightRAG、nano-graphrag 等构成生态，在性能与易用性上各有侧重。切换维度查看对比矩阵。
Microsoft GraphRAG
官方参考实现
功能完整，社区检测+摘要
LightRAG
轻量高效
简化流程，部署友好
nano-graphrag
极简教学
代码精简，便于理解
性能基准
质量 vs 速度
官方最全，轻量最快