RAG系列：最新12种GraphRAG技术全面评测

6月有两篇关于GraphRAG技术评测的最新论文，涉及12种GraphRAG技术：HippoRAG、HippoRAG2、LightRAG、Fast-GraphRAG、RAPTOR、MGraphRAG、KGP、GraphRAG 、G-Retriever、DALK、ToG、GFM-RAG

GraphRAG 是一种扩展的 RAG 范式，通过构建图结构来组织背景知识，其中节点代表实体、事件或主题，边代表它们之间的逻辑、因果或关联关系。它不仅检索直接相关的节点，还会遍历图以捕获相互连接的子图，从而发现隐藏的模式。

GraphRAG vs RAG

GraphRAG 是否真的有效，以及在哪些场景下图结构能为 RAG 系统带来可衡量的好处？

厦大和港理工提出的GraphRAG-Bench基准测试框架，旨在全面评估 GraphRAG 模型在分层知识检索和深度上下文推理中的表现：

实验部分对 GraphRAG 和传统 RAG 进行了全面对比，得出以下结论：

1. 生成准确性（Generation Accuracy）：GraphRAG 在复杂推理、上下文总结和创造性生成任务中表现优于 RAG，但在简单事实检索任务中，RAG 的表现更好或相当。

1. 检索性能（Retrieval Performance）：GraphRAG 在复杂问题上显示出优势，能够连接分散在不同文本片段中的信息，这对于多跳推理和全面总结至关重要。

1. 图复杂性（Graph Complexity）：不同的 GraphRAG 实现生成的索引图在结构上存在显著差异，例如 HippoRAG2 生成的图更为密集，节点和边的数量远超其他框架。

港理工和腾讯优图提出的GraphRAG-Bench更侧重于评估 GraphRAG 在特定领域推理中的表现。该基准测试包含 1018 个涵盖 16 个学科的大学水平问题，涉及多跳推理、复杂算法编程和数学计算等多种任务类型。

评估了九种最先进的 GraphRAG 方法，包括 RAPTOR、LightRAG、GraphRAG、G-Retriever、HippoRAG、GFM-RAG、DALK、KGP 和 ToG，得出关键结论：

1. GraphRAG 的优势：在复杂推理和多跳任务中，GraphRAG 显著优于传统 RAG 方法，尤其是在需要深度上下文理解和逻辑推理的任务中。

2. 任务类型的影响：GraphRAG 在不同任务类型中的表现存在差异。例如，在数学和伦理学领域，其表现不如在计算机科学领域。

3. 推理能力的提升：GraphRAG 方法不仅提高了生成的准确性，还显著提升了模型的推理能力，使其能够生成更符合逻辑的解释。

GraphRAG技术的图构建评估

• RAPTOR 的图构建时间最长，但令牌消耗最少，因为它仅通过 LLM 生成总结。

• KGP 的图构建时间较短，但令牌消耗较高。

• GraphRAG 和 LightRAG 的图构建时间较长，且令牌消耗最多，因为它们生成了额外的描述信息。

• G-Retriever 和 HippoRAG 的图构建时间最短，且非孤立节点比例最高（约 90%），表明它们在图构建质量上表现最佳。

GraphRAG技术知识检索评估

• GFM-RAG 的索引时间最短，因为它不构建传统的向量数据库。

• RAPTOR 的平均检索时间最快，因为其树结构能够快速定位信息。

• HippoRAG 和 GFM-RAG 的检索时间较短，分别利用了 GNN 和 PageRank 算法。

• GraphRAG 的检索时间较长，因为它需要利用社区信息进行检索

https://arxiv.org/pdf/2506.02404GraphRAG-Bench: Challenging Domain-Specific Reasoning for Evaluating Graph Retrieval-Augmented Generationhttps://arxiv.org/pdf/2506.05690When to use Graphs in RAG: A Comprehensive Analysis for Graph Retrieval-Augmented Generation