GraphRAG：让长文档检索不再碎片化

在传统RAG系统中，处理长文档时会暴露一个核心问题：当用户询问“报告的核心观点是什么”这样的全局性问题时，AI往往会从5万字的行业报告或技术手册中召回几个孤立的文本片段，这些片段之间缺乏逻辑连贯性，甚至出现与文档内容不相干的内容。这种现象源于系统的底层架构：文档被切割成独立的Chunk（文本块），然后转化为向量存储。在检索时，模型仅依据语义相似度匹配最接近的几个片段，对于点状问题（如“某个参数是什么”）效果尚可，但对于涉及跨章节逻辑链条的问题，却无法形成完整的回答。

GraphRAG通过将“理解”提前到索引阶段，采用全局索引（Global Index）机制来打破这种局限。它利用LLM（如GPT-4o或Claude 3.5）从非结构化文本中自动提取实体（Entity）和关系（Relationship），将文档构建成结构化的知识图谱。在此基础上，通过社区检测算法将实体聚类成多个“社区”（Communities），并为每个社区预先生成详细摘要。当遇到全局性问题时，系统不再从海量文本片段中逐一匹配语义相似度，而是直接定位到相关社区的摘要进行“区域级检索”，从而确保回答能够覆盖文档的整体逻辑脉络。

这种方法的转变也意味着开发者的优化重点从嵌入模型选择和Chunk Size调整，转向知识图谱的构建质量。特别是在处理法律卷宗、复杂剧本或技术文档时，图谱的准确性和完整性直接决定了最终检索结果的可靠性。例如，如果某个关键社区的摘要缺失或错误，后续的全局性问题回答将无法依赖完整的上下文支持。

然而，构建全局索引需要付出额外的预计算成本。由于索引阶段需要多次扫描文本以提取实体和生成摘要，其Token消耗远高于传统RAG系统（数量级差距明显）。这意味着GraphRAG更适合在资源允许的情况下进行离线预处理，而非实时交互场景。在本地环境中，可以通过微软开源的graphrag库进行部署。初始化步骤如下：

pip install graphrag
python -m graphrag.index --init --root ./rag_project

这里的--init命令用于生成项目配置文件，而--root指定存储路径。在配置.env文件时，必须选择支持长上下文（如GPT-4o）且逻辑推理能力强的模型，以确保社区摘要的准确性。如果模型选择不当，摘要可能包含逻辑漏洞或错误，进而影响后续检索的全局一致性。

GraphRAG的核心优势在于将传统的“查字典”式检索（依赖局部片段）转变为“读完整本书”式理解（依赖社区摘要和全局索引），从而显著提升对长文档全局性问题的回答质量。然而，这种优势依赖于预计算资源的投入，开发者需权衡索引成本与检索效果之间的平衡。