今年7月，微軟首次開源了超大知識索引GraphRAG，僅4個多月的時間在Github已超過19000顆星，成為目前最火的RAG框架之一。

　　但GraphRAG在處理全局數據查詢時成本非常高，尤其是應用在那些大參數的AI模型中格外明顯，查詢的過程中也存在延遲、不準確等問題。

　　今天凌晨，微軟研究院發布了GraphRAG迭代版本——LazyGraphRAG。這個RAG的最大亮點之一就是成本非常低，數據索引成本只有完整版GraphRAG的0.1%，同時采用了全新混合數據搜索方法，生成結果的準確率、效率等卻更好，很快發布開源版本并加入到GraphRAG庫中。

　　下面「AIGC開放社區」將根據微軟官方博客發布的內容，為大家詳細解讀LazyGraphRAG的技術區別，同時回顧一下GraphRAG。

　　LazyGraphRAG技術特點

　　微軟之前開源的GraphRAG在數據索引階段，主要依賴于大模型來提取和描述實體及其關系，并且會為每個實體和關系生成總結。

　　這個過程涉及到圖統計來優化實體圖，并提取出層次化的社區結構。不過這種方法的成本非常高，因為它需要借助大量的語言模型處理，使得GraphRAG的數據索引成本非常非常貴。

　　與GraphRAG不同是，LazyGraphRAG在數據索引階段不進行任何預先的總結或嵌入生成，而是采用NLP名詞短語提取來識別概念及其共現關系，然后再通過圖統計來優化概念圖，并提取層次社區結構。這使得LazyGraphRAG的索引成本極低，僅為GraphRAG的0.1%。也就是說將成本降低了1000倍。

　　在查詢處理方面，GraphRAG使用廣度優先搜索來確保查詢回答時考慮了整個數據集的廣度，而LazyGraphRAG則結合了最佳優先搜索和廣度優先搜索的動態，采用迭代加深的方式。首先按相似度排名文本片段，然后通過動態選擇相關社區來逐步細化查詢結果。

　　這種方法使得LazyGraphRAG能夠支持本地和全局查詢，同時在考慮整個數據集的廣度的同時，高效地找到最佳匹配的文本塊。

　　在靈活性和擴展性方面，GraphRAG由于其豐富的總結信息，可以用于多種用途，但高成本限制了其在一次性查詢和探索性分析中的使用。LazyGraphRAG則提供了統一的查詢接口，支持本地和全局查詢，非常靈活，適合一次性查詢、探索性分析和流式數據使用場景。

　　在應用場景上，GraphRAG適合需要高質量、全面查詢結果的場景，例如，企業級知識管理和復雜數據分析等。而LazyGraphRAG則適合需要高效處理全局查詢且對成本敏感的場景，如中小企業和個人開發者的內容推薦系統和項目管理工具，這對于那些資源有限的人來說非常友好。

　　LazyGraphRAG測試數據

　　為了評估LazyGraphRAG的性能，微軟設定了三種不同的預算，以觀察其在不同條件下的表現。

　　在最低預算水平下，100次相關性測試，并且使用低成本的大模型時，LazyGraphRAG展現出了顯著的優勢，在本地和全局查詢上的表現都優于其他所有方法。

　　在本地查詢中，LazyGraphRAG明顯超過了C1、C2、C3_Dynamic、LS、DRIFT、SS_8K、SS_64K和RAPTOR等方法。盡管GraphRAG全局搜索在全局查詢中有時表現較好，但LazyGraphRAG在成本效益上仍然占據了優勢。

　　當預算水平提高到500次，并且使用更高級的大模型時，LazyGraphRAG的優勢進一步顯現。它的成本僅為C2級別的4%，但性能卻顯著優于所有其他條件，包括C2級別的GraphRAG全局搜索。

　　這表明LazyGraphRAG不僅在成本上具有優勢，而且在查詢質量上也表現出色，無論是在本地查詢還是全局查詢中，都能提供更高質量的答案。

　　當達到1500次高預算時，LazyGraphRAG的優勢進一步加大。LazyGraphRAG在本地和全局查詢上的表現繼續提升，尤其是在全局查詢中，其獲勝率顯著高于其他方法。

　　即使在高預算條件下，LazyGraphRAG仍然保持了其成本效益和查詢質量的雙重優勢。