Youtu-GraphRAG

腾讯优图实验室正式宣布开源全新图检索增强生成（GraphRAG）框架 —— Youtu-GraphRAG。该框架在成本控制、推理精度与跨领域泛化能力三大核心维度上实现突破，致力于推动大模型从“能回答问题”向“高质量解决复杂问题”演进。

随着大模型在知识问答、企业知识库等场景的深入应用，传统 RAG 技术已难以满足多跳推理、因果分析等高阶需求。GraphRAG 因其结构化知识组织能力被视为更优解，但长期面临三大行业难题：

1. 高成本：图谱构建依赖大量 Token 消耗，部署开销巨大；
2. 低精度：对复杂查询的理解和推理能力有限；
3. 难迁移：缺乏通用性，新领域需重新设计全链路，适配成本高。

Youtu-GraphRAG 正是为破解这些瓶颈而生。

成果显著：成本降90%，精度提16%

在 GraphRAG-Bench、HotpotQA、MuSiQue 等六个权威跨领域、多语言基准测试中，Youtu-GraphRAG 表现出色：

• 最高节省 90.71% 的 Token 消耗
• 复杂任务准确率提升最高达 16.62%

同时，框架原生支持中英文双语处理，并可在不同应用场景间实现无缝迁移，标志着 GraphRAG 技术正加速从实验室走向产业落地。

核心创新：基于 Schema 的垂直统一架构

Youtu-GraphRAG 的核心在于首次实现了从图构建、索引到检索推理的端到端统一，并通过一个清晰的图 Schema 连接多个智能体，形成认知闭环。其主要技术亮点包括：

1. Schema 引导的四层知识树结构

通过引入“种子 Schema”提供实体、关系与属性的初始定义，系统可自动化抽取并动态扩展知识图谱。整体采用四层架构设计：

• 属性层：存储实体基础信息
• 关系层：构建三元组关联
• 关键词层：建立高效检索索引
• 社区层：形成层次化知识单元

该设计支持跨领域自主演化，在最小人工干预下完成快速部署。

2. 结构与语义融合的社区检测

创新性地结合网络拓扑结构与子图语义信息进行社区划分，显著优于传统的 Leiden 和 Louvain 算法。配合 LLM 生成的智能摘要，实现高层次知识抽象，为复杂推理提供更强支撑。

3. 智能迭代式检索机制

利用 Schema 深度理解查询意图，将复杂问题分解为可并行处理的子任务，并通过迭代反思机制优化检索路径，提升多跳推理的效率与透明度。

4. 用户友好与企业级特性

• 支持 Neo4j 可视化导入，知识结构与推理路径清晰可见
• 并发处理子问题，保障高负载下的响应性能
• 提供完整的推理轨迹，增强结果可解释性
• 专为企业私域知识管理设计，具备高性能、易迁移、强兼容的企业级能力

新增数据集 AnonyRAG：推动公平研究

为促进 GraphRAG 在真实场景中的评估，团队同步发布 AnonyRAG 数据集（已上线 Hugging Face），具备以下特点：

• 匿名化处理，防范预训练模型的知识泄露风险
• 覆盖中英文双语，支持多语言研究
• 聚焦实际检索性能测试，填补现有基准空白

应用前景广泛

Youtu-GraphRAG 具备三大典型落地场景：

• 多跳推理与总结：适用于需要多步推导的科研或决策场景
• 知识密集型任务：如技术文档解析、法规政策问答
• 跨域扩展：轻松适配学术论文、个人知识库、企业私域知识系统

凭借其卓越的泛化能力和低成本优势，该框架有望成为企业构建智能问答系统的首选方案。