GraphRAG 实体抽取与社区摘要

微软 GraphRAG 知识图谱融合与分层社区摘要检索架构 (Microsoft GraphRAG Entity-Relation Extraction & Hierarchical Community Summaries) 是解决传统向量 RAG 无法处理“宏观全局性问题 (Global Summarization: 如‘整套代码库的核心架构设计思想是什么？’或‘这 500 份财报中所有公司共同面临的供应链风险有哪些？’)”与跨文档复杂多跳推理的核心突破技术；核心架构链路：1) 知识图谱构建：调用 LLM 从海量非结构化文本中抽取实体 (Entities)、关系 (Relationships) 与声明 (Claims)，构建全局异构知识图谱；2) 层次化社区发现 (Leiden Algorithm): 采用 Leiden 拓扑聚类算法将图谱划分为多级层次化子图社区 (C0 宏观大社区 $\to$ C1 中观社区 $\to$ C2 微观社区)；3) 社区摘要自底向上预生成：为每个社区生成综合性文本摘要 (Community Summary)；4) 全局与局部双模检索：全局检索基于所有宏观社区摘要并发 Map-Reduce 生成宏观回答，局部检索基于实体一度邻居子图进行精确多跳路径问答。

全局文档库宏观洞察分析、复杂金融产业链与股权多跳穿透、大型开源项目全局架构解读。

传统基于向量相似度的 RAG 只能找到局部孤立片段，面对全库总结性问题会发生完全召回失败；GraphRAG 实现了微观多跳实体检索与宏观全局概括的统一。

详细画出 GraphRAG 从“实体抽取 $\to$ Leiden 图聚类 $\to$ 社区摘要预生成 $\to$ Map-Reduce 全局问答”的端到端架构时序图？

为什么在全库宏观提问（如“总结本书的主要人物冲突与核心主题”）场景下，传统 Vector RAG 的召回率几乎为 0 而 GraphRAG 能够完美回答？

Leiden 社区发现算法相比 Louvain 算法在消除不良连通社区与保证拓扑收敛性上的数学优势？

GraphRAG 建索引的高昂 Token 成本控制策略：如何通过小模型批处理抽取实体、Prompt 压缩与 Prompt Caching 将建图成本降低 80%？

图检索 (Graph Search) 与向量检索 (Vector Search) 的在线混合融合：如何利用图拓扑遍历扩展向量召回的实体一度邻居？