当前位置：首页 > news >正文

超越向量检索：用 Graph RAG 构建具备推理能力的企业知识问答系统

news 2026/5/25 23:50:08

当 RAG 遇到知识图谱，LLM 终于能像人类一样“联想起义”而非“关键词匹配”。

引言

传统的 RAG（Retrieval-Augmented Generation）已经成为 LLM 应用的标准范式——用户提问，系统从向量数据库中检索相关片段，再丢给 LLM 生成答案。然而，这种方案隐藏着一个致命缺陷：它丢失了信息之间的关联结构。对于一个企业来说，文档中的人物、产品、日期、事件之间存在着复杂的图状关系，而向量相似度搜索只能找到“词面相近”的孤立段落，无法回答“A 公司与 B 公司有什么间接合作？”这类需要多跳推理的问题。

这就是Graph RAG登场的理由。微软研究院于 2024 年发布的 Graph RAG 方案，通过构建知识图谱代替纯向量索引，让 LLM 在回答问题前先理解实体与关系网络，然后沿着图路径推理。效果有多惊人？在需要多源信息整合的复杂 QA 任务上，Graph RAG 的答案完整性比传统 RAG 提高了 70% 以上。

本文将从零实现一个轻量级 Graph RAG 系统。你将学会：

如何从任意文本集合中自动抽取实体和关系
如何利用图算法（社区发现、最短路径）辅助检索
如何生成带有推理路径的可解释答案

全部代码基于LangChain + NetworkX + OpenAI，无需昂贵的图数据库，一台笔记本即可运行。

第一步：Graph RAG 核心原理（五分钟速通）

传统 RAG 的工作流是：Query → Embedding → 向量相似度 top-k → 拼接上下文 → LLM 生成

Graph RAG 的工作流是：
Query → 实体链接 → 子图提取 → 图算法（社区/路径） → 结构化上下文 → LLM 生成

中间多出的两步——实体识别和图遍历——正是它强大的来源。例如对于问题“诺基亚的竞争对手后来收购了哪家 AI 芯片公司？”，传统 RAG 可能分别返回“诺基亚竞争对手”段落和“AI 芯片公司收购”段落，但无法建立跨段落的逻辑链。Graph RAG 会先在图中找到“诺基亚”实体，沿“竞争对手”边找到“爱立信”，再沿“收购”边找到“Graphcore”，最终给出精确答案。

我们的实现将包含三个核心模块：

图谱构建器：用 LLM 抽取实体和关系，存入 NetworkX 有向图
混合检索器：结合向量相似度和图遍历（Personalized PageRank / 最短路径）
推理生成器：将检索到的子图序列化为文本，交给 LLM 生成最终答案

第二步：环境准备与数据

创建新项目并安装依赖：

bash

pip install langchain langchain-openai networkx matplotlib tiktoken

我们使用一段假想的科技公司并购新闻作为测试语料，你也可以换成任意中文文档。

python

# data.py documents = [ """ 2023年6月，微软宣布收购了AI基础设施公司Volterra AI。 Volterra AI 此前曾与英伟达在GPU云服务领域有深度合作。 微软的竞争对手包括谷歌和亚马逊。 """, """ 谷歌在2024年初投资了AI芯片初创公司Cortex Labs。 Cortex Labs 的创始人曾来自英伟达的GPU设计团队。 同时，亚马逊也在积极布局AI芯片，其Trainium芯片直接对标英伟达的产品。 """, """ 英伟达与微软保持着战略合作关系，微软的Azure云服务大量采购英伟达的H100 GPU。 而谷歌则与AMD合作开发自己的AI加速器。 """ ]

第三步：用 LLM 自动抽取实体与关系

我们需要设计一个提示词，让 LLM 从每个文档中输出 JSON 格式的实体和关系。为了降低成本，可以使用gpt-3.5-turbo。

创建graph_builder.py：

python

import json import networkx as nx from langchain_openai import ChatOpenAI from langchain_core.messages import HumanMessage llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) EXTRACTION_PROMPT = """ 你是一个知识图谱抽取专家。从以下文本中识别出所有实体及其类型（如：公司、人物、产品、技术），以及实体之间的有向关系。 返回格式必须为 JSON，结构如下： { "entities": [{"name": "实体名", "type": "类型"}], "relations": [{"source": "实体名", "target": "实体名", "relation": "关系描述"}] } 只返回 JSON，不要有其他文字。 文本： {text} """ def extract_graph_from_text(text: str) -> tuple[list, list]: """调用 LLM 抽取实体和关系""" prompt = EXTRACTION_PROMPT.format(text=text) response = llm.invoke([HumanMessage(content=prompt)]) content = response.content.strip() # 去除可能的 markdown 代码块标记 if content.startswith("```json"): content = content[7:] if content.endswith("```"): content = content[:-3] data = json.loads(content) return data.get("entities", []), data.get("relations", [])

接下来，把抽取出的数据构建成一个全局 NetworkX 图：

python

def build_graph(documents: list[str]) -> nx.DiGraph: graph = nx.DiGraph() for doc in documents: entities, relations = extract_graph_from_text(doc) for ent in entities: graph.add_node(ent["name"], type=ent.get("type", "unknown")) for rel in relations: graph.add_edge(rel["source"], rel["target"], relation=rel["relation"]) return graph # 测试 if __name__ == "__main__": from data import documents G = build_graph(documents) print(f"节点数: {G.number_of_nodes()}") print(f"边数: {G.number_of_edges()}") for node in G.nodes(data=True): print(node)

运行后，你会看到类似('微软', {'type': '公司'})，('英伟达', {'type': '公司'})，以及边('微软', 'Volterra AI', {'relation': '收购'})等。

第四步：图增强的检索器

当我们收到用户查询时，需要执行两个并行的检索路径：

向量检索：使用传统嵌入，找到语义相似的文档片段。
图检索：从查询中提取实体，然后在图上进行 Personalized PageRank 或 BFS，找出与这些实体高度相关的其他实体和关系。

为了简化，我们只实现图检索部分，并最终将检索到的子图序列化为文本。

首先，从查询中识别实体（也可以用 LLM 做 NER，这里用简单的关键词匹配示例）：

python

def extract_entities_from_query(query: str, graph: nx.DiGraph) -> list[str]: """从查询中提取出现在图中的实体名""" entities_in_graph = set(graph.nodes) words = query.lower().split() # 简单的包含匹配（生产环境建议用 NLP 工具） found = [node for node in entities_in_graph if node.lower() in query.lower()] return found

然后，提取子图：对于每个找到的实体，获取其 k 步邻居（这里取 2 跳），合并子图：

python

def retrieve_subgraph(graph: nx.DiGraph, seed_entities: list[str], hops: int = 2) -> nx.DiGraph: """返回包含种子实体及其 hops 步邻居的子图""" nodes_to_include = set(seed_entities) for node in seed_entities: # 向前走 hops 步 for _ in range(hops): new_nodes = set() for n in nodes_to_include: new_nodes.update(graph.successors(n)) new_nodes.update(graph.predecessors(n)) nodes_to_include.update(new_nodes) return graph.subgraph(nodes_to_include).copy()

最后，将子图转换成 LLM 友好的文本格式：

python

def subgraph_to_text(subgraph: nx.DiGraph) -> str: lines = [] lines.append("知识图谱三元组：") for u, v, data in subgraph.edges(data=True): lines.append(f"({u}) -[{data.get('relation', '关联')}]-> ({v})") # 附上节点属性 for node, attr in subgraph.nodes(data=True): lines.append(f"实体: {node} (类型: {attr.get('type', '未知')})") return "\n".join(lines)

第五步：组合 Graph RAG 回答管道

现在我们组装最终的回答流程。简单起见，我们不接入向量检索，只演示纯图检索 + LLM 生成。

创建graph_rag.py：

python

from langchain_openai import ChatOpenAI from langchain_core.messages import HumanMessage, SystemMessage from graph_builder import build_graph from data import documents import networkx as nx llm = ChatOpenAI(model="gpt-4o", temperature=0) # 构建全局知识图谱 G = build_graph(documents) def graph_rag_answer(query: str) -> str: # 1. 提取查询中的实体 seed_entities = extract_entities_from_query(query, G) if not seed_entities: return "无法从问题中识别出已知实体，请提供更多上下文。" # 2. 检索子图 subgraph = retrieve_subgraph(G, seed_entities, hops=2) if subgraph.number_of_nodes() == 0: return "未找到相关图谱信息。" # 3. 转换为文本上下文 context = subgraph_to_text(subgraph) # 4. 生成答案 system_prompt = """你是一个知识问答助手。请基于提供的知识图谱信息回答问题。 如果图谱信息不足以回答，请明确说明。尽量引用图谱中的关系链来解释你的推理过程。""" user_prompt = f"""知识图谱信息： {context} 问题：{query} 请给出准确、简洁的答案。""" response = llm.invoke([ SystemMessage(content=system_prompt), HumanMessage(content=user_prompt) ]) return response.content if __name__ == "__main__": questions = [ "微软收购了哪家公司？", "英伟达与哪些公司有合作？", "谷歌的AI芯片合作伙伴是谁？" ] for q in questions: print(f"问题：{q}") print(f"答案：{graph_rag_answer(q)}\n")

运行脚本，你会看到类似这样的输出：

text

问题：微软收购了哪家公司？ 答案：根据知识图谱，微软收购了 Volterra AI。 问题：英伟达与哪些公司有合作？ 答案：英伟达与微软有战略合作关系（微软的Azure采购英伟达H100 GPU）；此外，英伟达还与Volterra AI在GPU云服务领域有过合作。 问题：谷歌的AI芯片合作伙伴是谁？ 答案：谷歌与AMD合作开发自己的AI加速器。

神奇的事情发生了：第三个问题中，原始语料并没有直接出现“谷歌的AI芯片合作伙伴”这个短语，但图谱里存在谷歌 -[合作]-> AMD的关系（从“谷歌则与AMD合作开发自己的AI加速器”中抽取得到），因此系统能够正确回答。

第六步：进阶优化 —— 社区检测与多跳推理

上面的基础版本已经能处理单跳关系。但对于复杂问题“哪些公司在AI芯片领域既与英伟达合作又与英伟达竞争？”，我们需要引入图社区检测和实体重要性排序。

我们可以利用networkx.community.louvain找出模块，然后对每个社区内的实体进行加权检索。另一项关键技术是最短路径推理：给定查询中的两个实体，找出它们之间的多条路径，并让 LLM 沿着这些路径归纳答案。

下面给出一个最短路径辅助检索的示例：

python

def find_paths_between_entities(graph, entity_a, entity_b, max_length=3): """返回两个实体之间所有长度≤max_length的简单路径""" paths = list(nx.all_simple_paths(graph, source=entity_a, target=entity_b, cutoff=max_length)) return paths # 在 graph_rag_answer 中集成路径推理 def graph_rag_answer_with_paths(query: str): # 假设我们已经用 LLM 从 query 中抽取出两个关键实体 e1, e2 # 这里简化为手动或规则 entities = extract_entities_from_query(query, G) if len(entities) >= 2: paths = find_paths_between_entities(G, entities[0], entities[1], max_length=3) if paths: path_text = "\n".join([f"路径: {' -> '.join(p)}" for p in paths]) return llm.invoke([HumanMessage(content=f"基于以下关系路径回答问题：{path_text}\n问题：{query}")]).content # 回退到子图模式 return graph_rag_answer(query)