GraphRAG 知识图谱增强检索

GraphRAG（微软提出的知识图谱增强检索生成架构）是一种结合了 LLM 自动化信息抽取与层次化社区聚类 (Hierarchical Community Detection) 的下一代 RAG 框架；在构建阶段，系统使用 LLM 扫描海量文本自动化提取实体 (Entities)、关系 (Relationships) 与断言声明 (Claims) 构建知识图谱，并采用 Leiden 算法对图谱进行多层级社区发现，由 LLM 为每个社区预先生成层次化全局摘要报告 (Community Summaries)；检索时支持局部实体查询 (Local Search) 与跨越全库的全局摘要聚合查询 (Global Search)。

“整个数据集中主要讨论了哪三大核心问题？”等宏观总结型问答、多实体复杂跨文档关联挖掘与海量企业全库知识审阅。

传统向量 RAG 是纯粹的“局部点检索”，完全无法回答需要跨越数千篇文档综合归纳的“全局宏观性问题”；GraphRAG 通过预计算图社区摘要与图遍历关联，彻底攻克全数据集宏观感知与复杂关系跳跃推理。

详细剖析 GraphRAG 的两种检索模式：Local Search (实体邻域图遍历) 与 Global Search (社区摘要 Map-Reduce 聚合) 的工作流程？

Leiden 社区发现算法在 GraphRAG 多层级图划分 (Hierarchical Graph Partitioning) 中的原理与优势？

GraphRAG 在全库建索引（知识图谱抽取 + 社区摘要生成）阶段消耗的天量 LLM Token 成本分析与增量更新难题？

Neo4j / Memgraph 图数据库在存储 GraphRAG 实体边与执行 Cypher 图查询时的工业级架构选型？

对比 GraphRAG 与传统纯向量检索在特定垂直领域（如医疗药物相互作用、金融反洗钱关联图）的召回指标提升？