GraphRAG 图检索工作流

解决什么问题

传统 RAG 把切块文本塞进向量库，靠相似度找片段。一旦语料里存在大量实体、关系、属性，这种“片段式召回”很容易漏掉跨段落的事实：比如同一人物在不同文档中的职务变化，或者散落在多页里的事件链条。向量检索擅长语义匹配，却不擅长表达约束和连接。

这个技能把私有文本先索引成知识图谱记忆结构，再在 RAG 工作流里查询图谱来增强 LLM 输出。适合那些文本量不大但实体关系密集的场景，例如项目交接、制度说明、设备手册、小规模领域知识库。

技能如何工作

核心流程分为三步：

• 索引私有语料：使用 Python、GraphRAG CLI 或包把有限文本提取为实体与关系，形成基于图的检索结构。
• 调整提示词：根据业务问题改写提示词，让模型理解图谱查询结果如何使用。
• 图谱查询增强：在 RAG 中查询生成的知识图谱，用图上连接补充向量检索缺失的上下文。

仓库提供了一种使用知识图谱记忆结构来增强 LLM 输出的方法。建议先走命令行快速入门，跑通后再改造成自己的工作流。

适用边界与注意点

• GraphRAG 索引可能成本较高，先读文档、从小规模语料开始，再扩展到全量。
• 需要自备 LLM 凭证，并关注提取与查询阶段的 token 消耗。
• 上游商标或标识受法律约束，修改版本时不得造成混淆或暗示官方赞助。
• 提供的代码主要用于演示，不是官方支持的产品承诺。