图检索增强生成研究综述.pdfVIP

ArtificialIntelligenceandRoboticsResearch人工智能与机器人研究,2025,14(2),402-413

PublishedOnlineMarch2025inHans./journal/airr

/10.12677/airr.2025.142040

图检索增强生成研究综述

周俭航，肖诗斌

北京信息科技大学计算机学院，北京

收稿日期：2025年2月19日；录用日期：2025年3月17日；发布日期：2025年3月25日

摘要

近年来，通过整合外部知识库来提高大语言模型(LLM)的性能，检索增强生成(RAG)取得了显著的成功。

通过引用外部知识库，RAG可以完善LLM输出，从而有效解决幻觉、缺乏领域特定知识和过时信息等问

题。然而，数据库中不同实体之间复杂的关系结构带来了挑战。对此，GraphRAG利用实体之间的结构化

信息来实现更精确和全面的检索，捕捉关系知识并促进与上下文相关的更准确的生成。本文概述了

GraphRAG相关技术和技术原理，研究了GraphRAG的下游任务、应用领域和评估标准，最后探讨了Gra-

phRAG的未来研究方向，对未来的技术发展趋势进行了展望。

关键词

GraphRAG，大语言模型，检索增强生成

ReviewofGraphRetrieval-Augmented

GenerationResearch

JianhangZhou,ShibinXiao

SchoolofComputerScience,BeijingInformationScienceandTechnologyUniversity,Beijing

th,2025;accepted:Mar.17th,2025;published:Mar.25th,2025

Received:Feb.19

Abstract

Inrecentyears,Retrieval-AugmentedGeneration(RAG)hasachievedremarkablesuccessinen-

hancingtheperformanceoflargelanguagemodels(LLMs)byintegratingexternalknowledgebases.

Byreferencingexternalknowledgebases,RAGcanrefinetheoutputsofLLMs,effectivelyaddressing

issuessuchashallucinations,lackofdomain-specificknowledge,andoutdatedinformation.How-

ever,thecomplexrelationalstructuresamongdifferententitiesinthedatabasesposechallenges.

Inresponse,GraphRAGutilizesthestructuredinformationbetweenentitiestoachievemoreprecise

andcomprehensiveretrieval,capturingrelationalknowledgeandfacilitatingmoreaccuratecontext-

文章引用:周俭航,肖诗斌.图检索增强生成研究综述[J].人工智能与机器人研究,2025,14(2):402-413.

DOI:10.12677/airr.2025.142040

周俭航，肖诗斌

relatedgeneration.Thispaperoutlinesthe