GraphRAG项目 https://www.microsoft.com/en-us/research/project/graphrag/
GraphRAG项目旨在通过挖掘非结构化文本中的隐性关系，扩展AI系统对私有数据集进行回答的能力。与传统的向量RAG（或“语义搜索”）相比，GraphRAG的主要优势在于其可以解答全局性问题，例如“数据中的主要主题是什么？”或“某主题的关键影响有哪些？”。而向量RAG更适合解答局部性问题，例如“谁”、“什么”、“何时”、“何地”等具体问题。
重磅发布：LazyGraphRAG
近期的技术分享中，介绍了一种革命性的“LazyGraphRAG”方法。此方法无需预先对源数据进行总结，完全避免了昂贵的索引成本，对预算有限的用户十分友好。
LazyGraphRAG的核心优势在于其在成本和质量方面的可扩展性。与其他方法（如标准向量RAG、RAPTOR以及GraphRAG的本地、全局和DRIFT搜索机制）相比，LazyGraphRAG在性价比上表现卓越：
- 索引成本极低：LazyGraphRAG的索引成本与向量RAG相同，仅为传统GraphRAG成本的0.1%。
- 本地搜索性能优异：在与向量RAG类似的查询成本下，LazyGraphRAG在本地查询上的表现优于所有其他方法。
- 全局搜索经济高效：相比GraphRAG全局搜索，LazyGraphRAG的查询成本降低了700倍，但答案质量几乎相当。
此外，LazyGraphRAG即将登陆GraphRAG的开源库，为用户提供统一的查询接口，覆盖本地和全局查询。
工作原理：混合最佳与广度搜索
LazyGraphRAG结合了向量RAG和GraphRAG的优势，同时克服了它们各自的局限：
- 向量RAG通过“最佳匹配”方式选取与查询最相关的文本片段，但无法覆盖数据集的全局。
- GraphRAG全局搜索则以“广度优先”方式确保查询覆盖数据集整体，但缺乏对局部最佳的洞察。
LazyGraphRAG采用迭代深化的方法，将两者巧妙融合，并通过一个核心参数——相关性测试预算，控制成本与质量的平衡。
性能表现：全面胜出
在一项包含5590篇新闻文章和100个查询（50个局部和50个全局问题）的测试中，LazyGraphRAG在多项指标（全面性、多样性、启发性）上显著领先于其他八种主流方法。尤其是在100相关性测试预算的最低配置下，LazyGraphRAG已全面超越了本地和全局查询的绝大部分竞争对手。
对比总结
LazyGraphRAG依赖于动态的查询细化和概念映射，而非静态的摘要索引。这种“懒惰”的方法不仅极大提高了效率，也实现了与高成本方法相媲美的答案质量。
未来展望
尽管LazyGraphRAG性能强大，但它并非所有场景的最佳选择：
- 图形数据索引的摘要功能对于阅读和分享报告等需求仍然十分重要。
- 结合GraphRAG数据索引和LazyGraphRAG搜索机制的混合方法，可能带来更优结果。
- 针对LazyGraphRAG优化的新型数据索引设计可能实现最佳性能。
未来，GraphRAG将继续优化搜索机制，并在GitHub平台分享所有进展，敬请期待！