GraphRAG 进阶：基于 Neo4j 与 LlamaIndex 的 DRIFT 搜索实现详解

2025-12-04
广东
本文字数：27183 字
阅读完需：约 89 分钟

微软的 GraphRAG 算得上是最早一批成熟的 GraphRAG 系统，它把索引阶段（抽取实体、关系、构建层级社区并生成摘要）和查询阶段的高级能力整合到了一起。这套方案的优势在于，可以借助预先计算好的实体、关系、社区摘要来回答那些宏观的、主题性的问题，这恰恰是传统 RAG 系统基于文档检索难以做到的。

本文的重点是 DRIFT 搜索：Dynamic Reasoning and Inference with Flexible Traversal，翻译过来就是"动态推理与灵活遍历"。这是一种相对较新的检索策略，兼具全局搜索和局部搜索的特点。

DRIFT 的工作流程是这样的：先通过向量搜索建立一个宽泛的查询起点，再利用群信息把原始问题拆解成更细粒度的后续查询。然后动态地在知识图谱上游走，抓取实体、关系等局部细节。这种设计在计算效率和答案质量之间找到了一个不错的平衡点。

上图为使用 LlamaIndex 工作流和 Neo4j 实现的 DRIFT 搜索，核心流程分一下几步：

首先是 HyDE 生成，基于一份样例社区报告构造假设性答案，用来改善查询的向量表示。

接着社区搜索登场，通过向量相似度找出最相关的社区报告，给查询提供宏观上下文。系统会分析这些结果，输出一个初步的中间答案，同时生成一批后续查询用于深挖。

这些后续查询会在局部搜索阶段并行执行，从知识图谱里捞出文本块、实体、关系、以及更多社区报告。这个过程可以迭代多轮，每轮都可能产生新的后续查询。

最后是答案生成，把过程中积累的所有中间答案汇总起来，融合社区级别的宏观洞察和局部细节，生成最终响应。整体思路就是先铺开、再聚焦，层层递进。

本文用的是《爱丽丝梦游仙境》，刘易斯·卡罗尔的经典作品，这部小说角色众多、场景丰富、事件环环相扣，拿来演示 GraphRAG 的能力再合适不过。

数据导入

整个 pipeline 遵循标准的 GraphRAG 流程，分三个阶段：

class MSGraphRAGIngestion(Workflow):

@step

async def entity_extraction(self, ev: StartEvent) -> EntitySummarization:

chunks = splitter.split_text(ev.text)

await ms_graph.extract_nodes_and_rels(chunks, ev.allowed_entities)

return EntitySummarization()

@step  async def entity_summarization(      self, ev: EntitySummarization  ) -> CommunitySummarization:      await ms_graph.summarize_nodes_and_rels()      return CommunitySummarization()  
@step  async def community_summarization(      self, ev: CommunitySummarization  ) -> CommunityEmbeddings:      await ms_graph.summarize_communities()       return CommunityEmbeddings()

复制代码

先从文本块里抽取实体和关系，再给节点和关系生成摘要，最后构建层级社区并生成社区摘要。

摘要做完之后，要给社区和实体都生成向量嵌入，这样才能支持相似性检索。社区嵌入的代码长这样：

@step

async def community_embeddings(self, ev: CommunityEmbeddings) -> EntityEmbeddings:

# Fetch all communities from the graph database

communities = ms_graph.query(

"""

MATCH (c:Community)

WHERE c.summary IS NOT NULL AND c.rating > $min_community_rating

RETURN coalesce(c.title, "") + " " + c.summary AS community_description, c.id AS community_id

""",

params={"min_community_rating": MIN_COMMUNITY_RATING},

)

if communities:

# Generate vector embeddings from community descriptions

response = await client.embeddings.create(

input=[c["community_description"] for c in communities],

model=TEXT_EMBEDDING_MODEL,

)

# Store embeddings in the graph and create vector index

embeds = [

{

"community_id": community["community_id"],

"embedding": embedding.embedding,

}

for community, embedding in zip(communities, response.data)

]

ms_graph.query(

"""UNWIND $data as row

MATCH (c:Community {id: row.community_id})

CALL db.create.setNodeVectorProperty(c, 'embedding', row.embedding)""",

params={"data": embeds},

)

ms_graph.query(

"CREATE VECTOR INDEX community IF NOT EXISTS FOR (c:Community) ON c.embedding"

)

return EntityEmbeddings()实体嵌入同理，这样 DRIFT 搜索需要的向量索引就都建好了。

DRIFT 搜索 DRIFT 的检索思路其实很符合简单：先看大图，再挖细节。它不会一上来就在文档或实体层面做精确匹配，而是先去查群的摘要，因为这些摘要是对知识图谱主要主题的高层次概括。

拿到相关的高层信息后，DRIFT 会智能地派生出后续查询，去精确检索特定实体、关系、源文档。这种两阶段的做法其实很像人类查资料的习惯：先大致了解情况再针对性地追问细节。既有全局搜索的覆盖面，又有局部搜索的精准度，而且不用把所有社区报告或文档都过一遍，计算开销控制得不错。

下面拆解一下各个阶段的实现。

群搜索 DRIFT 用了 HyDE 技术来提升向量检索的准确率。不是直接拿用户 query 做 embedding，而是先让模型生成一个假设性的答案，再用这个答案去做相似性搜索。道理很简单：假设答案在语义上跟真实的摘要更接近。

@step

async def hyde_generation(self, ev: StartEvent) -> CommunitySearch:

# Fetch a random community report to use as a template for HyDE generation

random_community_report = driver.execute_query(

"""

MATCH (c:Community)

WHERE c.summary IS NOT NULL

RETURN coalesce(c.title, "") + " " + c.summary AS community_description""",

result_transformer_=lambda r: r.data(),

)

# Generate a hypothetical answer to improve query representation

hyde = HYDE_PROMPT.format(

query=ev.query, template=random_community_report[0]["community_description"]

)

hyde_response = await client.responses.create(

model="gpt-5-mini",

input=[{"role": "user", "content": hyde}],

reasoning={"effort": "low"},

)

return CommunitySearch(query=ev.query, hyde_query=hyde_response.output_text)拿到 HyDE query 之后，做 embedding，然后通过向量相似度捞出 top 5 的报告。接着让 LLM 基于这些报告生成一个初步答案，同时识别出需要深挖的后续查询。将初步答案存起来然后进行后续查询全部并行分发到局部搜索阶段。

创作场景

GraphRAG 进阶：基于 Neo4j 与 LlamaIndex 的 DRIFT 搜索实现详解

郝培强

评论