GraphRAG 是一种先进的检索增强生成（RAG）系统，通过将知识图谱与大型语言模型（LLM）相结合，提升模型的理解和推理能力。与传统的 RAG 系统主要检索语义相似的文本片段不同，GraphRAG 从非结构化文本中构建结构化的知识图谱，使模型能够更好地处理复杂信息，特别适用于需要多跳推理或从多种来源综合信息的任务。

GraphRAG 的处理流程主要包括两个阶段：

1. 索引阶段：

   • 文本分割：将输入语料库划分为较小的文本单元，如段落或句子。
   • 实体和关系抽取：使用 LLM 识别每个文本单元中的实体（如人名、地名、组织等）及其之间的关系。
   • 层次聚类：使用聚类算法（如 Leiden）将提取的实体和关系组织成社区。
   • 社区摘要：为每个社区生成摘要，突出显示关键实体、关系和声明。

2. 查询阶段：

   • 全局搜索：对于广泛的问题，系统利用社区摘要生成响应。
   • 局部搜索：对于特定实体相关的查询，系统在知识图谱中探索该实体的邻居和相关概念。

通过这种结构化的方法，GraphRAG 克服了传统 RAG 系统的局限性，在回答复杂查询时提供更全面和准确的响应。

值得注意的是，GraphRAG 已经有适配中文的版本。例如，GitHub 上的项目 graphrag-chinese 提供了对中文的支持，允许使用兼容 OpenAI 协议的中文大模型 API，或使用开源中文模型搭建的 API 服务器。此外，项目 graphrag-practice-chinese 介绍了如何使用 GraphRAG 处理中文内容，包括替换 OpenAI 模型、修改文档切分和提示词等优化策略。

有关 GraphRAG 的更多详细信息，包括实现指南和技术细节，您可以参考其中文文档教程 GraphRAG:中文文档教程。