GraphRAG 是一種擴展的 RAG 范式，通過構建圖結構來組織背景知識，其中節點代表實體、事件或主題，邊代表它們之間的邏輯、因果或關聯關系。它不僅檢索直接相關的節點，還會遍歷圖以捕獲相互連接的子圖，從而發現隱藏的模式。

GraphRAG vs RAG

GraphRAG 是否真的有效，以及在哪些場景下圖結構能為 RAG 系統帶來可衡量的好處？

廈大和港理工提出的GraphRAG-Bench基準測試框架，旨在全面評估 GraphRAG 模型在分層知識檢索和深度上下文推理中的表現：

實驗部分對 GraphRAG 和傳統 RAG 進行了全面對比，得出以下結論：

• 生成準確性（Generation Accuracy）：GraphRAG 在復雜推理、上下文總結和創造性生成任務中表現優于 RAG，但在簡單事實檢索任務中，RAG 的表現更好或相當。

• 檢索性能（Retrieval Performance）：GraphRAG 在復雜問題上顯示出優勢，能夠連接分散在不同文本片段中的信息，這對于多跳推理和全面總結至關重要。

• 圖復雜性（Graph Complexity）：不同的 GraphRAG 實現生成的索引圖在結構上存在顯著差異，例如 HippoRAG2 生成的圖更為密集，節點和邊的數量遠超其他框架。

港理工和騰訊優圖提出的GraphRAG-Bench更側重于評估 GraphRAG 在特定領域推理中的表現。該基準測試包含 1018 個涵蓋 16 個學科的大學水平問題，涉及多跳推理、復雜算法編程和數學計算等多種任務類型。

評估了九種最先進的 GraphRAG 方法，包括 RAPTOR、LightRAG、GraphRAG、G-Retriever、HippoRAG、GFM-RAG、DALK、KGP 和 ToG，得出關鍵結論：

1. GraphRAG 的優勢：在復雜推理和多跳任務中，GraphRAG 顯著優于傳統 RAG 方法，尤其是在需要深度上下文理解和邏輯推理的任務中。
2. 任務類型的影響：GraphRAG 在不同任務類型中的表現存在差異。例如，在數學和倫理學領域，其表現不如在計算機科學領域。
3. 推理能力的提升：GraphRAG 方法不僅提高了生成的準確性，還顯著提升了模型的推理能力，使其能夠生成更符合邏輯的解釋。

GraphRAG技術的圖構建評估

• RAPTOR的圖構建時間最長，但令牌消耗最少，因為它僅通過 LLM 生成總結。
• KGP的圖構建時間較短，但令牌消耗較高。
• GraphRAG和LightRAG的圖構建時間較長，且令牌消耗最多，因為它們生成了額外的描述信息。
• G-Retriever和HippoRAG的圖構建時間最短，且非孤立節點比例最高（約 90%），表明它們在圖構建質量上表現最佳。

GraphRAG技術知識檢索評估

• GFM-RAG的索引時間最短，因為它不構建傳統的向量數據庫。
• RAPTOR的平均檢索時間最快，因為其樹結構能夠快速定位信息。
• HippoRAG和GFM-RAG的檢索時間較短，分別利用了 GNN 和 PageRank 算法。
• GraphRAG的檢索時間較長，因為它需要利用社區信息進行檢索

https://arxiv.org/pdf/2506.02404
GraphRAG-Bench: Challenging Domain-Specific Reasoning for Evaluating Graph Retrieval-Augmented Generation
https://arxiv.org/pdf/2506.05690
When to use Graphs in RAG: A Comprehensive Analysis for Graph Retrieval-Augmented Generation

本文轉載自????PaperAgent??