令人惊叹的GraphRAG（GraphRAG综述）

本仓库收录了基于图的检索增强生成（GraphRAG）相关资源的精选列表，这些资源按照“面向定制化大语言模型的图式检索增强生成综述”进行分类。持续更新中，敬请关注！

📃 如果您觉得我们的综述或仓库有所帮助，请引用我们的论文！

🎉 最新消息

• [2026-01-26] 我们的**GraphRAG基准测试**已被ICLR’26接收。
• [2026-01-26] 我们的**LinearRAG**已被ICLR’26接收。
• [2025-11-08] 我们的**LogicRAG**已被AAAI'26接收。
• [2025-10-27] 我们发布了**LinearRAG**，这是一种用于高效GraphRAG的关系无关图构建方法。
• [2025-06-06] 我们发布了**GraphRAG基准测试**，用于评估GraphRAG模型。
• [2025-05-14] 我们发布了GraphRAG基准数据集。
• [2025-01-21] 我们发布了GraphRAG综述。

---

• 非图式RAG将语料库组织成块，按相似度排序，并检索最相关的文本以生成响应。
• 基于知识的GraphRAG利用实体识别和关系抽取从语料库中提取详细的知识图谱，提供细粒度、领域特定的信息。
• 基于索引的GraphRAG将语料库概括为高层次的主题节点，这些节点通过链接形成索引图，而事实链接则将主题与文本关联起来。

---

RAG与GraphRAG

GraphRAG是RAG的一种新范式，它通过三大创新彻底革新了领域特定的LLM应用，从而克服了传统RAG的局限性：(i) 图结构化的知识表示，能够显式地捕捉实体关系和领域层次结构；(ii) 图感知的检索机制，支持多跳推理和上下文保留的知识获取；以及**(iii) 结构引导的知识搜索算法**，确保在大规模语料库中高效检索。

传统RAG与GraphRAG的比较。

📫 联系我们

我们欢迎研究人员分享相关工作，以丰富本列表，或对我们的综述提出有见地的意见。欢迎随时联系通讯作者之一：Qinggang Zhang，Shengyuan Chen。

目录

• 🍀 引用
• 📫 联系我们
• 📈 GraphRAG研究趋势
• 📜 研究论文
  • 知识组织
    • 用于知识索引的图
    • 作为知识载体的图
      • 从语料库构建知识图谱
      • 使用现有KG的GraphRAG
    • 混合式GraphRAG
  • 知识检索
    • 基于语义相似度的检索器
    • 基于逻辑推理的检索器
    • 基于LLM的检索器
    • 基于GNN的检索器
    • 多轮检索器
    • 后检索
    • 混合式检索器
  • 知识整合
    • 微调
      • 基于节点级知识的微调
      • 基于路径级知识的微调
      • 基于子图级知识的微调
    • 上下文学习
      • 图增强的思维链
      • 协作式知识图谱精炼
• 📚 相关综述论文
• 🏆 基准测试
• 💻 开源项目

📈 GraphRAG研究趋势

GraphRAG领域的发展趋势及代表性工作。

📜 研究论文

知识组织

知识图谱索引相关论文

• (arXiv 2025) LinearRAG：大规模语料上的线性图检索增强生成 [论文]
• (EMNLP 2025) 别忘了基础检索器！一种用于多跳问答的低资源图结构检索器 [论文]
• (arXiv 2025) 以查询为中心的图检索增强生成 [论文]
• (arXiv 2025) 多智能体GraphRAG：面向标注属性图的文本到Cypher框架 [论文]
• (arXiv 2025) 基于经验的 grounded方法：结合层次化代理式检索的生成式医疗健康预测 [论文]
• (ICML 2025) HippoRAG2：从RAG到记忆——大型语言模型的非参数持续学习 [论文]
• (arXiv 2025) PersonaAgent与GraphRAG：面向个性化的社区感知知识图谱 [论文]
• (arXiv 2025) E^2GraphRAG：简化图结构RAG以实现高效与高效果 [论文]
• (arXiv 2025) DIGIMON：统一且模块化的图结构RAG框架 [论文]
• (arXiv 2025) ArchRAG：基于属性的社区层次化检索增强生成 [论文]
• (arXiv 2025) KET-RAG：面向GraphRAG的成本效益型多粒度索引框架 [论文]
• (arXiv 2025) PIKE-RAG：专门的知识与推理增强生成 [论文]
• (EMNLP 2025 Findings) 基于层次化知识的检索增强生成 [论文]
• (arXiv 2024) 用于LLM问答任务的知识图神经网络增强检索 [论文]
• (arXiv 2024) KAG：通过知识增强生成提升专业领域中的LLM表现 [论文]
• (arXiv 2024) OG-RAG：面向大型语言模型的本体论驱动检索增强生成 [论文]
• (arXiv 2024) GRAG：图检索增强生成 [论文]
• (arXiv 2024) 通过自学习赋能大型语言模型构建知识检索索引 [论文]
• (ICLR 2024) RAPTOR：面向树状组织检索的递归抽象处理 [论文]
• (AAAI 2024) 面向多文档问答的知识图提示 [论文]
• (arXiv 2024) GraphCoder：基于代码上下文图检索与语言模型的仓库级代码补全增强 [论文]
• (NeurIPS 2023) Avis：利用大型语言模型代理实现自主视觉信息搜索 [论文]
• (CoRL 2023) Sayplan：使用3D场景图将大型语言模型接地，用于可扩展的机器人任务规划 [论文]
• (arXiv 2020) 通过多跳密集检索回答复杂开放域问题 [论文]
• (arXiv 2019) 面向开放域问答的知识引导文本检索与阅读 [论文]

图作为知识载体

从语料库构建知识图谱

• (AAAI 2026) RAG 不需要预构建图：基于自适应推理结构的检索增强生成 [论文]
• (arXiv 2025) AutoGraph-R1：面向知识图谱构建的端到端强化学习 [论文]
• (arXiv 2025) AGRAG：面向大语言模型的高级图结构检索增强生成 [论文]
• (EMNLP 2025) MaGiX：用于提升跨语言 RAG 的多粒度自适应图智能框架 [论文]
• (CIKM 2025) 面向查询聚焦摘要的上下文感知细粒度图 RAG [论文]
• (CIKM 2025) DocPolicyKG：基于轻量级大语言模型的中文政策文件知识图谱构建框架 [论文]
• (arXiv 2025) SUBQRAG：子问题驱动的动态图 RAG [论文]
• (arXiv 2025) 本体学习与知识图谱构建：方法比较及其对 RAG 性能的影响 [论文]
• (NeurIPS 2025) GFM-RAG：用于检索增强生成的图基础模型 论文
• (arXiv 2025) G-reasoner：面向图结构知识统一推理的基础模型 [论文]
• (CVPR 2025) 医学图 RAG：通过图结构检索增强生成迈向安全的医疗大语言模型 [论文]
• (arXiv 2025) Youtu-GraphRAG：面向图结构检索增强复杂推理的垂直统一代理 [论文]
• (arXiv 2025) 基于层次化知识的检索增强生成 [论文]
• (arXiv 2025) MedRAG：利用知识图谱引导的推理提升医疗助手的检索增强生成能力 [论文]
• (arXiv 2025) PathRAG：基于关系路径剪枝的图结构检索增强生成 [论文]
• (EDBT 2025) DBCopilot：通过模式路由实现对海量数据库的自然语言查询 [论文]
• (arXiv 2024) 从局部到全局：一种面向查询聚焦摘要的图 RAG 方法 [论文]
• (EMNLP 2024) 结构引导提示：通过探索文本的图结构指导大语言模型进行多步推理 [论文]
• (EMNLP 2024 Findings) GraphReader：构建图结构代理以增强大语言模型的长上下文理解能力 [论文]
• (SIGIR 2024) 面向客户服务问答的知识图谱检索增强生成 [论文]
• (arXiv 2024) DynaGRAG：探索信息拓扑以推进图结构检索增强生成中的语言理解和生成 [论文]
• (arXiv 2024) FastRAG：面向半结构化数据的检索增强生成 [论文]
• (TechRxiv 2024) LuminiRAG：面向复杂多模态文档理解的视觉增强图 RAG [论文]
• (BigData 2023) AutoKG：面向语言模型的高效自动化知识图谱生成 [论文]
• (ACL 2019) 利用局部知识图谱构建扩展序列到序列模型以处理多文档输入 [论文]
• (SIGIR 2019) 通过将多文档证据与准知识图谱结合来回答复杂问题 [论文]

基于现有知识图谱的GraphRAG

• (arXiv 2025) GraphSearch：面向图检索增强生成的代理式深度搜索工作流 [论文]
• (arXiv 2025) 通过注意力模式与语义对齐检测图检索增强生成中的幻觉现象 [论文]
• （arXiv 2025） 推理规模化的GraphRAG：提升知识图谱上的多跳问答能力 [论文]
• (AAAI 2025) LightPROF：面向知识图谱的大语言模型轻量级推理框架 [论文]
• (ICLR 2025) 简单即有效：图与大语言模型在基于知识图谱的检索增强生成中的作用 [论文]
• (arXiv 2025) 通过知识过滤与集成赋能GraphRAG [论文]
• (arXiv 2024)StructRAG：通过推理时混合信息结构化提升大语言模型的知识密集型推理能力 [论文]
• (ICLR 2024) 图上推理：忠实且可解释的大语言模型推理 [论文]
• (AAAI 2024) 通过自主知识图谱重校准缓解大语言模型幻觉问题 [论文]
• (ICLR 2024) Think-on-Graph：大语言模型在知识图谱上的深度与负责任推理 [论文]
• (Bioinformatics 2024) 基于生物医学知识图谱的大语言模型提示词生成 [论文]
• (NeurIPS 2024) KnowGPT：面向大语言模型的知识图谱提示技术 [论文]
• (ACL 2024 Findings) 通过路径选择增强知识图谱的大语言模型 [论文]
• (IEEE VIS 2024) KNOWNET：通过知识图谱集成引导大语言模型进行健康信息检索 [论文]
• (CoLM 2024) ProLLM：基于蛋白质思维链的大语言模型，用于预测蛋白质-蛋白质相互作用 [论文]
• (arXiv 2024) LEGO-GraphRAG：模块化图基检索增强生成，用于设计空间探索 [论文]
• (arXiv 2024) Think-on-Graph 2.0：基于知识引导的检索增强生成实现深度与忠实的大语言模型推理 [论文]

混合GraphRAG

• (NAACL 2025) 知识图谱引导的检索增强生成 [论文]
• (ACL 2024 Findings) HybGRAG：文本与关系型知识库上的混合检索增强生成[论文]
• (arXiv 2024) 记录图：利用图结构提升长上下文摘要的检索增强生成能力 [论文]
• (arXiv 2024) 医疗图RAG：通过图检索增强生成迈向安全的医疗大语言模型 [论文]
• (arXiv 2024) Codexgraph：通过代码图数据库连接大语言模型与代码仓库 [论文]

知识检索

基于语义相似度的检索器

• (AAAI 2024) StructuGraphRAG：面向检索增强生成的结构化文档驱动知识图谱 [论文]
• (arXiv 2024) G-Retriever：面向文本图理解和问答的检索增强生成 [论文]
• (arXiv 2024) CancerKG.ORG：一个面向网络规模、交互式且可验证的知识图谱-大语言模型混合系统，用于辅助最佳癌症治疗与护理 [论文]
• (arXiv 2024) 通过自学习赋能大语言模型构建知识检索索引 [论文]
• (arXiv 2024) GraphCoder：通过代码上下文图检索与语言模型提升仓库级别的代码补全能力 [论文]
• (arXiv 2024) 医疗图RAG：通过图检索增强生成迈向安全的医疗大语言模型 [论文]
• (arXiv 2024) 如何让大语言模型成为强大的节点分类器？ [论文]

基于逻辑推理的检索器

• (AAAI 2026) RAG并不需要预构建的图：自适应推理结构支持的检索增强生成 [论文]
• (NeurIPS 2024) KnowGPT：面向大语言模型的知识图谱提示技术 [论文]
• (ACL 2024 Findings) 通过路径选择增强知识图谱的大语言模型 [论文]
• (ICLR 2024) Think-on-Graph：大语言模型在知识图谱上的深度与负责任推理 [论文]
• (CIKM 2024) RD-P：面向大语言模型的可信知识图谱检索增强提示器 [论文]
• (arXiv 2024) RuleRAG：面向问答任务的语言模型规则引导检索增强生成 [论文]
• (LHB 2024) 由知识图谱与大语言模型协作驱动的水利工程项目检查智能问答 [论文]
• (arXiv 2024) RiTeK：面向大语言模型在文本知识图谱上复杂推理的数据集 [论文]

基于大语言模型的检索器

• (AAAI 2024) 基于知识图谱提示的多文档问答 [论文]
• (EMNLP 2024) 结构引导式提示：通过探索文本的图结构指导大语言模型进行多步推理 [论文]
• (ACML 2024) 利用知识图谱增强的大语言模型提升教科书问答性能 [论文]
• (ICLR 2024) Think-on-Graph：大语言模型在知识图谱上的深度与负责任推理 [论文]
• (arXiv 2024) LightRAG：简单快速的检索增强生成 [论文]
• (arXiv 2024) MEG：用于问答任务的医学知识增强型大语言模型 [论文]
• (arXiv 2024) 从局部到全局：面向查询摘要的图RAG方法 [论文]

基于图神经网络的检索器

• (arXiv 2025) CG-RAG：基于引文图检索增强的大语言模型进行科研问答 [论文]
• (arXiv 2024) 具有图结构的高级RAG模型：优化复杂知识推理与文本生成 [论文]
• (arXiv 2024) 语言模型是图学习者 [论文]
• (arXiv 2024) 图神经网络增强的LLM问答检索 [论文]
• (arXiv 2024) 知识图谱增强的语言模型用于知识 grounded 对话生成 [论文]

多轮检索器

• (arXiv 2024) 图思维链：通过在图上推理增强大语言模型 [论文]
• (arXiv 2024) 面向知识图谱 grounded 对话生成的生成式子图检索 [论文]
• (arXiv 2024) 记录图：利用图技术提升长上下文摘要的检索增强生成能力 [论文]

检索后处理

• (ACL 2024) 通过知识链提示提升语言模型推理能力 [论文]
• (ACL 2024 Findings) 需要时再叫我：LLM 可以高效且忠实地在结构化环境中进行推理 [论文]
• (arXiv 2024) 图约束推理：使用大语言模型在知识图谱上进行忠实推理 [论文]
• (arXiv 2024) 通过自主知识图谱驱动的改造缓解大语言模型幻觉问题 [论文]

混合检索器

• (arXiv 2024) Think-on-Graph 2.0：结合知识引导的检索增强生成实现深度且忠实的大语言模型推理 [论文]
• (arXiv 2024) StructRAG：通过推理时混合信息结构化提升LLM的知识密集型推理能力 [论文]

知识整合

微调

基于节点级知识的微调

• (arXiv 2025) 基于图卷积的大语言模型应用于文本属性网络？ [论文]
• (SIGIR 2024) Graphgpt：面向大语言模型的图指令微调 [论文]

基于路径级知识的微调

• (AAAI 2024) 探索大语言模型在在线职位推荐中对图数据的理解 [论文]
• (arXiv 2024) MuseGraph：面向通用图挖掘的大语言模型图导向指令微调 [论文]
• (WWW 2023) 知识图谱迁移的结构预训练与提示微调 [论文]
• (ICLR 2023) 在图上进行推理：忠实且可解释的大语言模型推理 [论文]

基于子图级知识的微调

• (ICML 2024) Llaga：大型语言与图助手 [论文]
• (KDD 2024) Graphwiz：面向图问题的指令遵循语言模型 [论文]
• (AAAI 2024) 大语言模型的图神经提示 [论文]
• (ACL 2024 Findings) Rho：通过知识 grounding 降低开放域对话中的幻觉现象 [论文]
• (EACL 2024 Findings) 语言就是图所需的一切 [论文]

上下文学习

图增强思维链

• (KBS 2025) 殊途同归：面向多跳开放域问答的多样化大模型生成 [论文]
• (ICLR 2024) 图上的推理：忠实且可解释的大语言模型推理 [论文]
• (ICLR 2024) 图上思考：知识图谱上的深度与负责任的大语言模型推理 [论文]
• (arXiv 2024) 图上思考 2.0：基于知识引导的检索增强生成的深度与忠实的大语言模型推理 [论文]
• (arXiv 2024) 图思维链：通过图上推理增强大语言模型 [论文]
• (ICLR 2024) 知识链：通过跨异构源的动态知识适配来 grounded 大语言模型 [论文]
• (ACL 2024 Findings) 大型视觉-语言模型的视觉上下文学习 [论文]
• (NeurIPS 2023) 什么才是视觉上下文学习中好的示例？ [论文]
• (ACL 2023) 计划-求解提示：提升大语言模型零样本思维链推理能力 [论文]
• (AAAI 2024) 何时思维程序法适用于推理？ [论文]
• (ICLR 2022) 将上下文学习解释为隐式贝叶斯推理 [论文]
• (EMNLP 2023) KnowledGPT：通过知识库的检索与存储访问增强大语言模型 [论文]

协作式知识图谱精炼

• (AAAI 2024) 通过自主的知识图谱后处理缓解大语言模型幻觉问题 [论文]
• (ACL 2024 Findings) 通过路径选择增强知识图谱的大语言模型 [论文]
• (NeurIPS 2024) 图上计划：大语言模型在知识图谱上的自我修正自适应规划 [论文]
• (arXiv 2024) 先探索再决策：基于 GNN-LLM 协同的知识图谱推理框架 [论文]
• (ACL 2024) CogMG：大语言模型与知识图谱之间的协作增强 [论文]

📚 相关综述论文

• (arXiv 2025) 基于图的检索增强生成（GraphRAG） [论文]
• (arXiv 2024) 图检索增强生成：综述 [论文]
• (AIxSET 2024) 面向大语言模型的图检索增强生成：综述 [论文]

为了探索大语言模型在图任务中的应用，我们推荐以下仓库：

• Awesome-LLMs-in-Graph-tasks 由香港科技大学（广州）的 Yuhan Li 维护。
• Awesome-Graph-LLM 由新加坡国立大学的 Xiaoxin He 维护。
• Awesome-Graph-Prompt，由香港中文大学的 Xixi Wu 创建。

🏆 基准测试

数据集	任务	论文	仓库
GraphRAG-Bench	GraphRAG 评估	[arXiv 2025]	[Github]
DIGIMON	大规模 GraphRAG	[arXiv 2025]	[Github]
PolyG	GraphRAG 评估	[arXiv 2025]	[Github]
SimpleQuestion	简单问答	[arXiv 2015]	[Github]
WebQ	简单问答	[EMNLP 2013]	[CodaLab]
Multihop-RAG	多跳推理	[COLING 2024]	[Github]
CWQ	多跳推理	[NAACL 2018]	[TAU-NLP]
MetaQA	多跳推理	[AAAI 2018]	[Github]
MetaQA-3	多跳推理	[AAAI 2018]	[Github]
CURD	大规模复杂问答	[arXiv 2024]	[Github]
KQAPro	大规模复杂问答	[ACL 2022]	[Github]
LC-QuAD v2	大规模复杂问答	[ISWC 2019]	[figshare]
LC-QuAD	大规模复杂问答	[ISWC 2017]	[Github]
UltraDomain	领域特定问答	[arXiv 2024]	[Github]
TutorQA	领域特定问答	[arXiv 2024]	[Github]
FACTKG	领域特定问答	[ACL 2023]	[Github]
Mintaka	领域特定问答	[ACL 2022]	[Github]
GrailQA	领域特定问答	[WWW 2021]	[Github]
WebQSP	领域特定问答	[ACL 2016]	[Microsoft]

💻 开源项目

• Semantica：一个开源、生产就绪的语义层和GraphRAG框架，位于原始语料库与大语言模型之间。
• 在本地使用Ollama运行的Graph RAG流水线，具备完整的来源引用功能。
• GraphRAG-Bench：面向图检索增强生成的全面基准测试与分析平台。
• Agentic-RAG：一个简洁且可扩展的代理式RAG系统。
• ApeRAG：具备多模态索引、AI代理、MCP支持及可扩展K8s部署的生产级GraphRAG。
• Graphiti：为AI代理构建实时知识图谱。
• DIGIMON：一个统一且模块化的基于图的RAG框架。
• Microsoft-GraphRAG：一个基于图的模块化检索增强生成（RAG）系统。
• Nano-GraphRAG：一个简单易用、便于二次开发的GraphRAG实现。
• Fast GraphRAG：能够智能适应用户场景、数据及查询的RAG系统。
• LightRAG：简单快速的检索增强生成系统。
• HuixiangDou2：一种经过稳健优化的GraphRAG方法。
• GraphRAG-SDK：用于构建GraphRAG系统的专用工具包。
• Code-Graph-RAG：一个基于图的RAG系统，利用Tree-sitter分析多语言代码库，构建知识图谱，并通过MCP服务器实现自然语言查询与编辑功能。
• WFGY问题地图：一个专门的工具包，定义了在RAG和LLM流水线中反复出现的16种失败模式。

🍀 引用

如果您觉得本综述有所帮助，请引用我们的论文：

@article{zhang2025survey,
  title={针对定制化大型语言模型的图检索增强生成综述},
  author={张庆刚、陈圣元、贝元辰、袁正、周华驰、洪子衿、董俊楠、陈浩、常毅、黄晓},
  journal={arXiv预印本 arXiv:2501.13958},
  year={2025}
}

Awesome-GraphRAG 快速上手指南

环境准备

• 系统要求：任意支持浏览器的系统（Windows/macOS/Linux）
• 前置依赖：无需安装额外依赖，仅需网络访问能力
• 中国加速方案：推荐使用 ghproxy.com 加速 GitHub 访问（例如将 https://github.com 替换为 https://ghproxy.com/https://github.com）

安装步骤

无需安装！直接访问仓库：

# 通过国内加速镜像访问（推荐）
https://ghproxy.com/https://github.com/DEEP-PolyU/Awesome-GraphRAG

基本使用

1. 访问仓库：打开上述加速链接，或直接访问 Awesome-GraphRAG 仓库
2. 浏览资源：按目录结构快速定位所需内容：
   • 📜 Research Papers：最新论文分类（如 Knowledge Organization/Knowledge Retrieval）
   • 🏆 Benchmarks：GraphRAG 评测基准（如 GraphRAG-Benchmark）
   • 💻 Open-source Projects：开源项目（如 LinearRAG）
3. 获取论文/项目：点击任意条目中的 [[Paper]] 或 [[GitHub]] 链接直达资源

💡 示例：查看 Graphs for Knowledge Indexing 中的最新论文
路径：📜 Research Papers → Knowledge Organization → Graphs for Knowledge Indexing
例如：LinearRAG (arXiv 2025)