INNER 05 / RAG / 07 · ENGINE v1
知识图谱增强检索(Advanced: Microsoft GraphRAG)
本关练习：设计行业研报知识库的实体关系抽取与 Local/Global 路由策略。
30 SECONDS / 30 秒看懂
这一关只解决一件事：传统向量切片 RAG 擅长回答“局部细节查找题”,但在面对“跨全库全局归纳题”(例如:“综合这 500 份客戶投诉工单,今年最核心的三大系统性质量问题及其关联供应商分别是什么?”)时往往彻底失效, 因为 Top-5 局部片段根本无法代表全部 500 份文档的全貌!
- 定义面向产业链研报的实体类型(如公司、核心原材料、产能指标、技术路线)与关系三元组 (Head, Relation, Tail) 抽取 JSON 格式;
- 设计查询路由器(Query Router):准确判断哪些用戶提问应路由至标准向量/Local Search,哪些宏观综述提问必须路由至 GraphRAG Global Search(
- 5 分);
3 MINUTES / 3 分钟拆解
先看来源里的例子：PDF 本关任务（来源）
你正在为一家券商研究所搭建涵盖 200 份新能源产业链研报的 GraphRAG 知识库。
发生了什么
来源要求：定义面向产业链研报的实体类型(如公司、核心原材料、产能指标、技术路线)与关系三元组 (Head, Relation, Tail) 抽取 JSON 格式; / 设计查询路由器(Query Router):准确判断哪些用戶提问应路由至标准向量/Local Search,哪些宏观综述提问必须路由至 GraphRAG Global Search( / 5 分);
输出
参考答案：参考答案:GraphRAG 产业链知识图谱抽取与 Local/Global 双路路由 // 1. 产业链研报图谱抽取 Schema 示例 { "entities": [ {"name": "宁德时代", "type": "COMPANY", "summary": "全球动力电池⻰头企业,主营磷酸铁锂与三元锂电池"}, {"name": "麒麟电池", "type": "PRODUCT_TECH", "summary": "第三代 CT
术语拆开
- GraphRAG
- 用实体关系图增强检索的方法。
- 社区摘要
- 把图谱中的相关实体聚成主题摘要。
为什么有效
来源核心原理：传统向量切片 RAG 擅长回答“局部细节查找题”,但在面对“跨全库全局归纳题”(例如:“综合这 500 份客戶投诉工单,今年最核心的三大系统性质量问题及其关联供应商分别是什么?”)时往往彻底失效, 因为 Top-5 局部片段根本无法代表全部 500 份文档的全貌!微软开源的 Microsoft GraphRAG 提出了革命性解法:在索引阶段利用大模型从文本中抽取实体(Entities)与关系(Relationships)构建知识图谱,通过 Leiden 社区发现算法对紧密关联的实体群落生成多层级的社区摘要(Community Summaries)。查询时: 局部细节问题走 Local Search(实体邻域遍历 + 原文块),宏观全局问题走 Global Search(Map-Reduce 汇总各社区摘要)。
结构长什么样
定义面向产业链研报的实体类型(如公司、核心原材料、产能指标、技术路线)与关系三元组 (Head, Relation, Tail) 抽取 JSON 格式; 设计查询路由器(Query Router):准确判断哪些用戶提问应路由至标准向量/Local Search,哪些宏观综述提问必须路由至 GraphRAG Global Search( 5 分); 简述 GraphRAG 索引构建成本高的原因及如何仅对高价值核心文档启用图谱抽取。
什么类型的问题不适合只走向量检索？
SOURCE READING / 来源精读
传统向量切片 RAG 擅长回答“局部细节查找题”,但在面对“跨全库全局归纳题”(例如:“综合这 500 份客戶投诉工单,今年最核心的三大系统性质量问题及其关联供应商分别是什么?”)时往往彻底失效, 因为 Top-5 局部片段根本无法代表全部 500 份文档的全貌!
逐点读懂
- 定义面向产业链研报的实体类型(如公司、核心原材料、产能指标、技术路线)与关系三元组 (Head, Relation, Tail) 抽取 JSON 格式;
- 设计查询路由器(Query Router):准确判断哪些用戶提问应路由至标准向量/Local Search,哪些宏观综述提问必须路由至 GraphRAG Global Search(
- 5 分);
怎么对应本关练习
先读 30 秒与 3 分钟拆解，再读本关原文与实验，最后做客观题和实操题；答案在下方。
例子在哪
本关任务与参考答案见页面下方；来源为本册 PDF 对应关卡。
本关先记住：定义面向产业链研报的实体类型(如公司、核心原材料、产能指标、技术路线)与关系三元组 (Head, Relation, Tail) 抽取 JSON 格式;
核心原理
传统向量切片 RAG 擅长回答“局部细节查找题”,但在面对“跨全库全局归纳题”(例如:“综合这 500 份客戶投诉工单,今年最核心的三大系统性质量问题及其关联供应商分别是什么?
”)时往往彻底失效, 因为 Top-5 局部片段根本无法代表全部 500 份文档的全貌!
微软开源的 Microsoft GraphRAG 提出了革命性解法:在索引阶段利用大模型从文本中抽取实体(Entities)与关系(Relationships)构建知识图谱,通过 Leiden 社区发现算法对紧密关联的实体群落生成多层级的社区摘要(Community Summaries)。
查询时: 局部细节问题走 Local Search(实体邻域遍历 + 原文块),宏观全局问题走 Global Search(Map-Reduce 汇总各社区摘要)。
第 7 关实操练习题：设计行业研报知识库的实体关系抽取与 Local/Global 路由策略
任务背景
你正在为一家券商研究所搭建涵盖 200 份新能源产业链研报的 GraphRAG 知识库。
通关硬性要求（满分 12.5 分）
1. 定义面向产业链研报的实体类型(如公司、核心原材料、产能指标、技术路线)与关系三元组 (Head, Relation, Tail) 抽取 JSON 格式(5 分);
2. 设计查询路由器(Query Router):准确判断哪些用戶提问应路由至标准向量/Local Search,哪些宏观综述提问必须路由至 GraphRAG Global Search(
4.5 分);
3. 简述 GraphRAG 索引构建成本高的原因及如何仅对高价值核心文档启用图谱抽取(3 分)。
PRACTICE / 本关练习 · 本地规则 + 覆盖检查
设计行业研报知识库的实体关系抽取与 Local/Global 路由策略
本地检查在你的浏览器里完成，不上传。覆盖检查需要先登录（免费注册），并把这段答案发送到服务器计算一次，算完即弃、不存档，需你点同意；只核对本关评分项覆盖的方向，不在评分项里的题目不会被检查。
评分项
结构分 — / 12.5 分
查看参考答案与得分点 先自己写，再打开＋
参考答案与得分要点
参考答案:GraphRAG 产业链知识图谱抽取与 Local/Global 双路路由 // 1. 产业链研报图谱抽取 Schema 示例 { "entities": [ {"name": "宁德时代", "type": "COMPANY", "summary": "全球动力电池⻰头企业,主营磷酸铁锂与三元锂电池"}, {"name": "麒麟电池", "type": "PRODUCT_TECH", "summary": "第三代 CTP 无模组技术,体积利用率突破 72%"}, {"name": "碳酸锂", "type": "RAW_MATERIAL", "summary": "锂电池正极核心原材料"} ], "relationships": [ {"head": "宁德时代", "relation": "DEVELOPED_TECH", "tail": "麒麟电池", "weight": 0.95}, {"head": "碳酸锂价格下跌", "relation": "REDUCES_COST_OF", "tail": "宁德时代", "weight": 0.88} ] } // 2. 查询路由判定规则(Query Router) - 路由至 Local Search(向量 + 实体一跳邻域):针对特定实体或具体数值的微观问题(如“麒麟电池的体积利用率是多少?”)。 - 路由至 GraphRAG Global Search(社区摘要 Map-Reduce):针对跨多篇研报的宏观趋势、主题归纳与全集统计问题(如“总结这 200 份研报中提到的固态电池量产三大共性技术瓶颈”)。 - 成本优化方案:仅对核心深度研报与长周期规范文档启用 LLM 图谱抽取,日常短资讯仍采用轻量向量索引。 得分要点拆解:规范定义产业链实体与三元组关系 Schema(5 分);清晰区分微观细节查询(Local Search) 与跨全库全局归纳查询(Global Search)(4.5 分);给出混合索引控本策略(3 分)。 第 8 关
网页永久免费。完整 PDF 会按顺序发给留邮箱的读者，不转售、不群发广告。
留邮箱，获取完整 PDF ↗