腾讯优图重磅开源Youtu-GraphRAG，实现图检索增强技术新突破

图检索增强生成（GraphRAG）已成为大模型解决复杂领域知识问答的重要解决方案之一。然而，当前学界和开源界的方案都面临着三大关键痛点：

• 开销巨大：通过 LLM 构建图谱及社区，Token 消耗大，耗时长，经济与时间成本高昂。
• 效果瓶颈：对复杂问答的解析精度有限，面临显著的效果瓶颈。
• 适配成本高：缺乏跨任务泛化能力，遇新领域需重新调整全链路，迁移成本高。

针对这些难题，腾讯优图实验室正式开源 Youtu-GraphRAG 框架，通过创新的算法优化，实现了成本和效果的双重突破！

• 论文标题：Youtu-GraphRAG: Vertically Unified Agents for Graph Retrieval-Augmented Complex Reasoning
• 论文链接：https://arxiv.org/pdf/2508.19855

成本和效果的双重突破

在六个跨领域多语言基准测试中，Youtu-GraphRAG 展现出卓越性能：

• 大幅成本优化：相比同类最佳方案，构图成本节省 30%+；
• 显著精度提升：在复杂推理任务中获得最高 16%+ 的准确率提升；

这些结果标志着 GraphRAG 技术向落地可用的发展阶段迈进了重要的一步。

技术架构：三大创新构建垂直统一的完整方案

Youtu-GraphRAG 通过 Schema 连接两个智能体，在图构建、索引和检索上实现垂直统一和认知闭环，以领先的落地级图构建与推理能力推动 GraphRAG 进入新的阶段。

1. Schema 引导的层次化知识树构建

通过引入有针对性的实体类型、关系和属性类型，为图构建智能体提供精确约束，实现了跨领域知识的自主演化和高质量抽取。四层架构设计包括：

• 属性层：存储实体的属性信息
• 关系层：构建实体间的关系三元组
• 关键词层：建立关键词索引体系
• 社区层：形成层次化的高维度社区结构

2. 结构语义双重感知的社区检测

巧妙融合结构拓扑特征与子图语义信息，在复杂网络中提炼高维度知识加强推理总结能力，社区生成效果显著优于传统 Leiden 和 Louvain 算法。利用大模型进行社区摘要生成，实现更高层次的知识抽象。

3. 智能迭代检索机制

深度理解图 Schema，将复杂查询针对性地转换为符合图特征且可并行处理的子查询，通过迭代检索进一步提升思维链追溯与反思能力。

When & Why? 三大核心应用场景

多跳推理与总结

完美解决需要多步推理的复杂问题，如深度关联分析、因果推理等场景。

知识密集型任务

高效处理依赖大量结构化知识的问题，如企业知识库问答、技术文档深度解析。

跨域扩展应用

轻松支持学术论文、个人知识库、私域 / 企业知识库等多个领域，最小化人工干预成本。

交互界面

快速启动：四步开箱智能复杂问答

第一步：获取项目代码

git clone https://github.com/TencentCloudADP/youtu-graphrag

cd youtu-graphrag

第二步：环境配置  

1. 首先访问提供模型服务的平台，获取远程调用模型的凭证 API key。

2. 按照.env.example 格式创建配置文件，创建并复制 API key，`Youtu-GraphRAG` 项目的 `.env` 文件中的 llm 部分中设置。

cp .env.example .env

# 配置 OpenAI 格式的 LLM API

# LLM_MODEL=deepseek-chat

# LLM_BASE_URL=https://api.deepseek.com

# LLM_API_KEY=sk-xxxxxx

第三步：一键部署  

docker build -t youtu_graphrag:v1 .

# 启动 docker 容器

docker run -d -p 8000:8000 youtu_graphrag:v1

第四步：体验交互 

curl -v http://localhost:8000

访问 http://localhost:8000 即可体验完整的图增强推理服务，包括：

• 可视化知识图谱展示
• 交互式智能问答
• 实时推理路径追踪

企业级优势特性

统一配置管理

• 集中化参数管理：所有组件通过单一 YAML 文件统一配置
• 多环境无缝支持：轻松实现跨领域迁移部署

高性能架构

• 并行子问题处理：采用并行机制处理分解后的问题
• 迭代推理演进：逐步构建答案，提供清晰的推理轨迹
• 企业级扩展性：专为私域及企业级部署而设计

社区贡献与数据集

我们提供公平匿名数据集  AnonyRAG  ，有效防范大语言模型预训练过程中的知识泄露问题，深度检验 GraphRAG 框架的检索性能。

我们致力于构建一个开放、灵活的知识图谱检索与推理框架。无论你是研究者、工程师，还是对知识图谱与 RAG 有兴趣的开发者，都可以在以下方向贡献：

新种子 Schema 开发：

设计并提交高质量的种子 Schema，帮助 GraphRAG 更好地理解不同数据类型。

示例：为医疗领域构建患者、药物、治疗方案的种子 Schema

自定义数据集集成:

在尽量减少对 Schema 的人工干预下，尝试集成新的开放数据集或行业数据集。

示例：

• 集成 WikiData、PubMed、arXiv 等开放数据集
• 集成企业内部文档或日志数据，并验证 Graphrag 的兼容性

特定领域的最佳实践应用案例

展示 GraphRAG 在某一领域的最佳实践，让社区更直观地了解其应用潜力。

示例：

• 金融领域：构建基于 Graphrag 的风险事件知识图谱
• 教育领域：集成课程大纲、作业与考试题库，辅助智能问答
• 科研领域：集成论文数据集，支持跨学科知识发现

立即体验

Youtu-GraphRAG 不仅代表了图检索增强生成技术的最新进展，更为企业级知识管理和智能问答系统设立了新的标杆。其突破性的成本效益比和精度提升，让高质量智能问答服务变得更加可及和可持续。

立即体验 Youtu-GraphRAG，开启智能问答的新篇章！  

扫码前往 GitHub 获取源代码：

扫码加入技术讨论社群：

请添加小助手微信并说明 “加入 Youtu-GraphRAG 社群”，通过后将拉你入群：

文章来自于微信公众号 “机器之心”，作者 “机器之心”