GraphRAG 已经发布 0.4.0^[1] 新版本，该版本的代码经过一轮重构后，已于之前的代码结构有了很大的不同。该版本除了引入增量更新，还带了新的搜索机制 DRIFT 搜索，这是一种混合本地与全局的搜索的方法。本文即是对 DRIFT 方法的解析。我们后续也会带来 GraphRAG v0.4.0 解析和GraphRAG-server^[2]对 0.4.0 的适配。

GraphRAG 是一种基于大型语言模型 (LLM) 的技术，用于从非结构化文本文档中生成知识图谱和摘要，并利用这些内容提升在私有数据集上的检索增强生成 (RAG) 效果。通过 GraphRAG，用户能够从大量非结构化的文本数据中提取信息，构建一个全局概览，同时还可以深入挖掘更为本地化的细节。该系统借助 LLM 生成知识图谱，识别文档中的实体和关系，利用数据的语义结构响应复杂查询。微软的研究合作伙伴 Uncharted Software^[3] 正在进一步拓展此技术，开发出一种全新方法：DRIFT 搜索（动态推理与灵活遍历）。DRIFT 在微软的 GraphRAG 技术之上进行改进，将全局搜索和本地搜索结合起来，以平衡计算成本与响应质量。

GraphRAG 的核心工作机制

GraphRAG 由两个主要组件组成：索引引擎和查询引擎。

• 索引引擎：负责将文档分解为更小的块，生成包含实体和关系的知识图谱。然后，它识别图谱中的社区结构，并生成代表全局数据的摘要（即“社区报告”）。
• 查询引擎：利用 LLM 构建图形索引，并提供两种主要的查询模式：
• 全局搜索：适合跨整个数据集的查询，能综合不同来源的信息来回答全面性问题，例如“过去五年 AI 研究的发展趋势”。全局搜索虽全面但较耗费资源。
• 本地搜索：专注于与用户输入密切相关的小范围数据，从中提取出精准的内容，适合直接回答特定问题，例如“10 月 4 日 Microsoft Cosmos DB 团队发布了哪些新功能？”

通过人工参与 (HITL)，用户可以指定需要关注的实体和关系类型，进一步优化知识图谱的生成。为确保图谱结构适配用户需求，索引阶段需明确定义目标用户的角色，这会影响节点、边和社区报告的结构。

DRIFT 搜索的引入

DRIFT 搜索通过整合社区信息，使本地搜索的起点更为宽泛，能够检索更多类型的事实，从而提升查询的详细性。DRIFT 在 GraphRAG 的查询引擎基础上进一步扩展，为本地搜索提供了更精细的分层查询方式，使其能够处理与预定义模板不完全匹配的复杂查询。表 1 展示了 DRIFT 和传统本地搜索对 AP 新闻数据集的一次汇总响应对比，查询内容为“描述美国 FDA 和 CDC 在 2023 年 11 月处理苹果肉桂果泥中的铅污染问题的行动”。表中显示，DRIFT 搜索能够提供比本地搜索更多的细节。

DRIFT 搜索的分步过程

1. 初始查询匹配：用户提交查询后，DRIFT 会将其与最相关的社区报告对比生成初步答案，并提出后续问题。这些问题类似轻量级的全局搜索，利用高级抽象来指导后续探索。
2. 逐步跟进：在生成初始答案后，DRIFT 使用本地搜索执行每个后续问题，创建一个循环迭代过程，直到满足搜索的终止条件（目前设置为两次迭代）。
3. 层次化输出：最终生成一个按相关性排序的层次化问答结构，便于根据用户需求进一步定制。基准测试期间，通过简单的 map-reduce 汇总中间答案，使每个答案权重相同。

这种逐层细化的方法，使得 DRIFT 能够在处理从抽象到具体的复杂查询时，兼顾广度和深度。

为什么 DRIFT 搜索更有效？

DRIFT 搜索通过将全局洞见和本地细化结合起来，支持从高级摘要逐步导航到知识图谱中的原始文本块。即便初始查询不完全符合预设角色，DRIFT 也能适应各种查询类型，逐层分解出具体细节。此特性使得 DRIFT 尤其适合需要同时满足广度和深度的查询场景。

DRIFT 搜索的性能评估

在基准测试中，我们将 DRIFT 与 GraphRAG 的本地搜索和语义搜索方法进行了对比，评估了各方法在“全面性”和“答案多样性”上的表现。在从美联社提取的 5000 篇新闻文章上生成了 50 个本地问题，DRIFT 搜索在全面性上优于本地搜索 78%，在答案多样性上优于本地搜索 81%。

可用性

DRIFT 搜索现已开源，详见 GraphRAG GitHub 仓库^[4]。

未来展望

未来，DRIFT 计划改进全局搜索，以更好地支持需要全局信息的查询。此外，还将探索单一查询界面，能够同时处理本地和全局问题。改进终止逻辑，使 DRIFT 更好地平衡新信息与冗余信息，同时提升资源利用效率。DRIFT 搜索是 GraphRAG 优化之路上的重要一步，未来还会继续通过知识图谱优化系统效率。