GraphRAG四大搜索策略学习

GraphRAG 提供了四种不同的搜索策略按照复杂程度递增的顺序它们分别是基础搜索Basic Search、本地搜索Local Search、全局搜索Global Search和漂移搜索DRIFT Search。1. 基础搜索Basic Search基础搜索本质就是传统向量 RAG是四种策略里最简单的检索方案流程只有三步查询向量化将用户输入问题做 Embedding转换成向量表征。向量库相似检索在存储文本片段text chunk的向量数据库中做相似度匹配召回 Top-K 最相近的原始文本块。LLM 生成答案把召回的文本片段作为上下文拼接用户原始提问一起送入大模型由 LLM 直接输出回答。核心特点与局限适用场景简单事实类问题答案集中在少量文档片段内定义、基础参数、单一实体基础信息短板只依靠向量语义匹配没有知识图谱实体、关系、社区信息无法做多实体关联推理、全局汇总类复杂问题。2. 本地搜索Local Search本地搜索依托知识图谱实体、关系、社区结构做多源上下文扩展整体分为四大阶段实体识别 → 上下文扩展 → 排序过滤 → 答案生成。1. 实体识别阶段对用户查询向量化在实体描述向量库做相似度检索匹配出查询语义相关的候选实体集合。2. 多维度上下文扩展阶段基于上一步得到的实体从四类数据源拉取关联信息文本单元扩展通过实体-文本映射表取出包含该实体的原始文档片段社区报告扩展根据实体归属社区调取对应社区主题摘要实体关系扩展以实体为图谱节点查找相连实体与关系构建关系上下文协变量扩展可选若开启协变量提取补充实体相关声明、属性信息。3. 排序和 Token 过滤阶段重要性排序文本单元关联实体/关系数量越多优先级越高社区报告包含检索实体越多权重越高Token 过滤按照 LLM 输入 Token 上限截断剔除低权重内容控制上下文长度。4. 答案生成阶段将过滤后的文本块、实体关系、社区摘要整合为结构化上下文搭配专属提示词送入大模型输出融合实体关联信息的回答。核心适用场景需要实体关联推理的问题实体属性查询、多实体关系对比、领域相关实体汇总弥补基础搜索无法跨片段关联实体的缺陷。3. 全局搜索的流程全局搜索采用Map-Reduce双阶段架构专门处理数据集宏观、汇总类问题全程不依赖细粒度文本块只使用浓缩的社区报告。1. Map 并行处理阶段批量生成局部观点社区报告筛选收集读取指定层级的所有社区报告动态筛选大模型根据用户查询给社区报告打分只保留高于阈值的高相关社区。批次拆分按照 LLM Token 上限把社区报告随机切分成多个独立批次。并行分析生成中间观点每一批社区报告 用户问题送入大模型输出多条带 1-100 重要性评分的中间观点仅做归纳不直接回答原问题。2. Reduce 聚合阶段汇总所有观点生成最终答案全局排序收集所有批次产出的观点按重要性分数从高到低排序。智能过滤截断在 Token 预算内保留高分核心观点舍弃低价值内容。统一聚合输出将筛选后的全部观点作为上下文送入大模型生成完整、宏观的总结答案。关键特点与适用场景适用场景数据集主题归纳、整体趋势分析、全局关键人物/实体汇总等宏观类提问。底层逻辑依靠图谱分层社区摘要避免遍历海量原始文本实现全局视角检索。4. 漂移搜索DRIFT SearchDRIFT 全称Dynamic Reasoning and Inference with Flexible Traversal融合全局搜索广度 本地搜索深度分为三大阶段Primer 全局初筛 → Follow-Up 迭代深挖 → Reduce 综合汇总。1. Primer 全局初步认知宏观打底基于 HyDE 筛选社区报告根据用户原始查询生成一份模拟社区报告结构的假设文档用该假设文档做向量匹配选出 Top-K 最相关社区报告相比直接使用用户 Query 嵌入召回精度更高。批量生成初步答案与待探索子问题将筛选出的社区报告按 Token 限制拆分为多批次每批结合用户问题送入大模型输出两部分内容对原问题的宏观初步回答识别信息缺口生成一批需要深入查证的细分后续问题。2. Follow-Up 循环局部深挖while 循环迭代筛选高分的子问题从 Primer 产出的后续问题里选取评分最高 Top-K 个问题调用本地搜索逐一求解对每个子问题执行完整 Local Search 流程获取实体、关系、原文片段等细节中间答案迭代生成新一轮细分问题基于本次本地搜索结果继续挖掘更深层待验证问题进入下一轮循环。3. Reduce 整合输出综合答案收集 Primer 全局宏观结论 所有轮次本地细节结果统一汇总送入大模型生成兼顾整体概况与实体细节、逻辑连贯的完整回答。关键特点与适用场景核心逻辑先宏观把握整体方向再逐层下钻实体细节模拟分析师调研思路适用场景复杂探索类问题、领域趋势分析、多实体关联因果分析、复杂事件完整复盘对比优势无需人工区分该用全局还是本地搜索自动兼顾广度与深度。借用一张对比图参考【值得收藏】一文吃透GraphRAG四大搜索策略提升大模型应用能力-CSDN博客