微软宣布更新GraphRAG技术，在显著降低资源消耗的同时，提升了AI搜索引擎回答的全面性与准确性。此次更新优化了大型语言模型（LLM）的处理速度，虽未正式命名为2.0版本，但其核心改进使其与初代产品形成本质区别。
RAG与GraphRAG的核心差异
检索增强生成（RAG）通过结合LLM与搜索索引，为模型提供实时数据支撑，有效减少AI幻觉及过时信息。GraphRAG则在此基础上引入知识图谱机制，通过生成“社区报告”摘要进一步优化检索效果。
GraphRAG的双步处理流程
第一步：索引引擎构建知识图谱
索引引擎将搜索内容按主题聚类为“社区”，并通过实体及其关系构建分层知识图谱。随后，LLM为每个社区生成摘要即“社区报告”。这一过程的关键在于将非结构化原始数据转化为结构化知识，而非单纯检索总结，这是GraphRAG区别于传统RAG的核心特征。
第二步：基于图谱的精准查询
在查询阶段，GraphRAG利用已构建的知识图谱为LLM提供上下文。相比仅依赖语义关系的RAG，GraphRAG通过主题相似性组织层级结构，即使在缺乏直接语义关键词的情况下，也能精准定位答案并聚合数据集信息。
基线RAG在处理需聚合信息的查询时表现不佳，因其依赖向量搜索且缺乏全局结构引导。而GraphRAG生成的知识图谱揭示了数据集的整体结构与主题分布，使私有数据能被组织成预总结的语义集群，从而支持对用户问题的精准响应。
GraphRAG更新亮点：动态社区选择
初代GraphRAG采用静态处理方式，无论相关性如何均处理所有社区报告，导致效率低下。新版引入“动态社区选择”机制，从知识图谱根节点开始，利用LLM对社区报告进行相关性评分：
- 若报告不相关，直接移除该节点及其子社区；
- 若报告相关，则遍历子节点重复评估；
- 最终仅将高相关报告传入映射-归约操作以生成回复。
该机制实现了从全量处理到动态过滤的转变，大幅提升了检索精度与系统效率。
性能提升与结果优化
测试数据显示，新版GraphRAG的LLM Token处理成本降低77%。得益于效率提升，系统可兼容更小规模模型，在保证质量的前提下进一步压缩开支。搜索结果质量亦获得多维改善：
- 动态搜索机制提供更具体的信息反馈；
- 回复增加对原始材料的引用，显著提升可信度；
- 结果更具针对性，避免信息过载。
总体而言，动态社区选择技术使GraphRAG能够生成更精准、相关且有据可依的搜索响应。