GraphRAG：图驱动的检索增强生成

Naive RAG 依赖向量相似度，在「跨文档多跳推理」「数值/时间约束」「领域 Schema 对齐」这些场景很容易失效——向量能找到语义相关的片段，但拼不出一条逻辑链。GraphRAG 的思路是：先把文档变成结构化的知识图谱，再让 LLM 沿图走；KAG 则在此基础上更进一步，用逻辑符号引导求解。本目录收录这两条技术路径的深度文档。

1. 核心文档

1.1 GraphRAG 基础：面向 RAG 的知识图谱

  • GraphRAG 学习指南 — 基于 DeepLearning.AI × Neo4j 的 Knowledge Graphs for RAG 课程重组，围绕 SEC 10-K 年报问答系统，讲解 KG 概念、Cypher 查询、Text2Graph 抽取、向量检索与图检索的混合（Hybrid Retrieval）架构。适合首次接触 GraphRAG 的工程师建立完整心智模型。

1.2 KAG 框架：逻辑符号引导的混合推理

  • KAG 框架介绍 — 解读 OpenSPG 团队提出的 Knowledge Augmented Generation (KAG) 框架：
    • LLMFriSPG 知识表示：借鉴 DIKW 金字塔，分层建模数据 / 信息 / 知识。
    • 互索引（Mutual Indexing）：图结构与原始文本块双向索引，为图节点附带可追溯的文本上下文。
    • 逻辑形式（Logical Form）引导求解：将自然语言问题分解为 Retrieval / Math / Sort / Deduce 等可执行算子，支持多轮反射。
    • 解决的痛点：传统 RAG 对数值、时间关系、专家规则不敏感；GraphRAG OpenIE 噪声大、难对齐领域 Schema。

2. 与其他目录的关系

  • 图数据库底座见 ../knowledge_graph/：Neo4j 的部署与 Cypher 查询语言。GraphRAG / KAG 的实战都依赖这层。
  • 落地案例见 ../synergized_llms_kgs/：银行反电诈场景中 LLM + KG 的完整系统设计 + 可运行 demo。
  • RAG 基础能力见 ../rag_basics/：chunking、embedding 等共通模块。

3. 相关资源