GraphRAG 如何通过全局摘要解决传统 RAG 无法回答的跨文档综合问题

传统 RAG 最大的痛点在于它本质上是在做「碎片检索」。当你问一个具体事实（比如“某产品的价格是多少”）时，它能通过向量匹配精准定位到那个片段；但当你问一个全局性问题（比如“这份报告中提到的三个核心风险点分别是什么”）时，传统 RAG 往往会失效，因为它只能检索出前 K 个最相关的片段，而无法在内存中对全量文档进行逻辑聚合。

GraphRAG 的核心突破在于引入了「社区检测（Community Detection）」和「分层摘要」机制。它不再是简单地把文档切块存入向量数据库，而是先利用 LLM 提取文档中的实体和关系，构建出一张巨大的知识图谱。随后，它通过算法将图谱划分为多个层级的社区（Communities），并为每个社区预先生成一份摘要。

这意味着当一个全局性问题被提出时，GraphRAG 不是去大海捞针找片段，而是直接在这些预生成的「社区摘要」中进行检索。它把原本需要实时计算的全局聚合，在索引阶段就通过分层摘要给「预处理」好了。

这对开发者和企业级应用意味着两个关键变化：

第一，检索范式的转移。 以前我们优化 RAG 是在调 chunk size 或优化 Embedding 模型，试图让检索更精准；现在则需要关注图谱构建的质量。如果实体提取不准，全局摘要就会出现偏差。

第二，成本与延迟的权衡。 GraphRAG 的索引成本极高。因为在构建图谱和生成摘要阶段，需要调用大量的 LLM Token。对于一个中型数据集，索引成本可能是传统 RAG 的几十倍。开发者需要评估：你的业务场景是否真的需要这种「全局认知」能力，还是简单的语义检索就足够了？

在实际部署时，如果想尝试类似的逻辑，可以关注其核心的索引流程：

# 伪代码逻辑：GraphRAG 的全局查询链路
1. 接收全局问题 -> 2. 检索相关社区摘要 (Community Summaries) 
-> 3. 将多个摘要片段聚合 -> 4. LLM 生成最终综合答案

总的来说，GraphRAG 将 RAG 从「局部搜索」升级到了「全局理解」。它解决的是 AI 在处理长文档集时「只见树木不见森林」的问题，让 LLM 真正具备了分析整套知识库的能力，而非仅仅是做一个高效的索引员。