微軟最新又改版了一波GraphRAG，這波把知識圖譜丟了，只剩下無向圖了。

帶來的優勢是：

• LazyGraphRAG 數據索引成本與向量 RAG 相同，且為全圖 RAG 成本的 0.1%。
• 對于與向量 RAG 相當的查詢成本，LazyGraphRAG 在局部查詢中優于所有競爭方法，包括LongRAG 和 GraphRAG DRIFT 搜索以及 GraphRAG 局部搜索。
• 相同的 LazyGraphRAG 配置在全局查詢方面也顯示出與 GraphRAG 全局搜索相當的答案質量，但查詢成本降低了 700 多倍。
• 對于 GraphRAG 全局搜索的 4%查詢成本，LazyGraphRAG 在本地和全局查詢類型上，包括 C2 級別的 GraphRAG 全局搜索（大多數應用推薦的三級社區層次）上，顯著優于所有競爭方法。

圖 1. 展示 LazyGraphRAG 在（100，500，1,500）相關性測試預算下，相對于每個（局部，全局）查詢和（全面性，多樣性，賦權）指標組合的競爭條件下的勝率簇狀柱狀圖

二者區別：

• 放棄實體關系抽取（關系太吃token了），抽取概念，構建無向概念圖。再次基礎上，層次化社區構建
• 放棄社區報告，推理時處理
• query做sub-q，做遍歷，涉及到一些排序的策略，比如根據文本塊的相關性去篩選社區。然后又判斷社區的前k個文本塊的相關性，決定是否要去篩選子社區。 大概就是沒有社區報告了，從文本來入手了。
• 生成答案差不多，map-reduce， 每個sub-q針對檢索結果，生成結果，最后總結結果。

本文轉載自 ??NLP前沿??