文章摘要

Graph RAG 是结合知识图谱与检索增强生成的技术，可提升大语言模型的问答与复杂查询处理能力。其构建过程包括数据采集与预处理、实体与关系抽取、知识图谱构建、检索与生成等步骤。在数据采集与预处理中，需从多源收集数据并进行清洗、分块；实体与关系抽取可利用 LLM 并辅以人工标注；知识图谱构建要将提取的信息存储到图数据库，进行社区检测与摘要生成；检索与生成则根据用户查询进行局部或全局检索，并结合 LLM 生成答案。Graph RAG 的构建部分依赖人工标注，在高精度领域或高数据质量要求场景下需要人工参与，可通过 LLM 的能力及自动化工具减少人工标注。与传统知识图谱相比，Graph RAG 数据来源更灵活、结构化程度更宽松、检索方式更智能、适用场景更广泛、动态性更强且具备生成能力，虽在高精度场景下仍需人工，但自动化程度高，更适合动态复杂场景。

Graph RAG 的构建过程

Graph RAG（Graph Retrieval-Augmented Generation）是一种结合知识图谱（Knowledge Graph, KG）与检索增强生成（RAG）的技术，旨在通过图结构化数据的方式提升大语言模型（LLM）的问答能力和复杂查询处理能力。以下是 Graph RAG 的构建过程及其关键步骤：

---

1. 数据采集与预处理

• 目标：从多种来源（如文档、数据库、网页等）收集与目标领域相关的结构化、半结构化和非结构化数据。</