GraphRAG 提供了四种不同的搜索策略，按照复杂程度递增的顺序，它们分别是：基础搜索（Basic Search）、本地搜索（Local Search）、全局搜索（Global Search） 和 漂移搜索（DRIFT Search）。本文将由浅入深地剖析这四种搜索策略的工作原理和使用场景。

基础搜索（Basic Search）

---

基础搜索是 GraphRAG 中最简单的查询方式，本质上是传统向量 RAG 的实现。它主要用于与其他搜索策略进行对比，帮助用户了解 GraphRAG 相对于传统方法的优势。

基础搜索的核心思想非常直接：对用户查询进行向量化，然后在文本单元的向量数据库中进行相似性搜索，找到最相关的前 K 个文本片段，最后使用这些片段作为上下文，连同原始问题一起提交给大语言模型，生成最终答案。

基础搜索适用于简单的事实性问题，特别是答案可以直接从单个或少数几个文档片段中获得的情况，比如：

• 什么是机器学习？
• Python 中如何定义函数？
• 苹果公司的总部在哪里？

由于基础搜索仅依赖向量相似性，它无法处理需要多步推理或全局理解的复杂问题。这正是 GraphRAG 引入图结构和社区检测的动机。

本地搜索（Local Search）

---

本地搜索，或者叫 局部搜索，是 GraphRAG 的核心创新之一，它利用知识图谱的实体关系结构来增强传统 RAG 的检索能力。相比基础搜索，本地搜索能够理解查询中的实体，并利用这些实体在知识图谱中的连接关系来查找更丰富、更相关的上下文信息。

本地搜索的流程分为三个主要阶段：实体识别、上下文扩展和答案生成。

这个过程的详细步骤如下：

1. 实体识别阶段：对用户查询进行向量化，在实体描述向量数据库中进行相似性搜索，获取语义相关的候选实体集合；
2. 上下文扩展阶段：

• 文本单元扩展：根据实体和文本单元映射关系，找到包含这些实体的原始文本片段；
• 社区报告扩展：根据实体和社区映射关系，获取相关的社区摘要报告；
• 实体关系扩展：使用实体名称和描述等信息构建实体上下文，然后再依次查找与实体相连的关系构建关系上下文；
• 协变量扩展：如果配置了协变量提取，还会包含相关的声明信息；

3. 排序过滤阶段：

• 排序：对每类候选数据进行重要性排序，比如对于文本单元来说，关系数量更多优先级更高，对于社区来说，包含的选中实体数量更多的优先级更高；
• 过滤：根据 token 预算进行过滤，确保上下文适合大语言模型的输入窗口；

4. 答案生成阶段：将过滤后的多源信息整合成结构化上下文，调用大模型生成最终答案；

本地搜索的过程就像是一次从图谱中的特定节点出发，向外探索和收集信息的侦察任务，它的关键优势在于 多源信息融合 能力：通过文本单元保留原始文档的详细信息，通过知识图谱揭示实体间的复杂关系，通过社区报告提供结构化的主题总结。它特别适合需要理解特定实体及其关系的问题，比如：

• 洋甘菊有什么治疗功效？（需要理解洋甘菊这个实体的属性）
• 苹果公司和微软公司有什么合作关系？（需要理解两个实体间的关系）
• 机器学习领域的主要算法有哪些？（需要找到与机器学习相关的算法实体）

全局搜索（Global Search）

---

全局搜索解决了传统 RAG 的一个根本性问题：无法处理需要理解整个数据集的查询。当用户问 数据中的主要主题是什么？ 或 最重要的趋势有哪些？ 这种需要全局视角和高度概括性的问题时，传统的向量检索往往无法给出满意的答案，因为这类问题需要对整个数据集进行宏观理解和总结。

全局搜索采用了 Map-Reduce 架构，分为两个核心阶段：

首先是 Map 阶段，收集指定层级的社区报告，并行处理：

1. 报告收集：从指定层级的社区层次结构中收集所有的社区报告；如果开启了动态社区选择，则使用大模型根据用户问题对社区报告进行打分，选择得分大于阈值的社区报告；
2. 分批处理：将社区报告按照 token 预算随机分成多个批次；
3. 并行分析：对于每个批次，将其中的社区报告作为上下文，连同用户查询一起发送给大模型，使用 Map 系统提示词生成一个中间响应；这个响应包含一系列观点，每个观点都有一个重要性评分（1-100 分）；

{

第一阶段并不回答用户的原始问题，只是生成中间响应，然后再通过 Reduce 阶段，对其聚合生成最终答案：

1. 重要性排序：收集所有中间响应的观点并按重要性评分排序；
2. 智能过滤：按评分选出最重要的观点，并确保在 token 预算内；
3. 最终聚合：使用 Reduce 系统提示将选中的观点整合起来，作为最终的上下文，再次提交给大模型，生成一个全面连贯的最终答案；

可以看出，全局搜索通过直接利用最高度浓缩的知识（社区报告），避免了在海量细碎文本块中进行检索，特别适合需要宏观理解和数据集级别分析的问题：

• 这个数据集中讨论的主要主题有哪些？
• 文档中提到的最重要的趋势是什么？
• 数据中的关键人物和组织有哪些？
• 这些文档反映了什么样的总体情况？

它的效果很大程度上取决于选择的社区层级：

• 底层社区：包含更详细的信息，答案更全面，但需要更多的计算资源和时间；
• 顶层社区：处理速度更快，成本更低，但答案可能较为宏观；

用户可以根据问题的复杂程度和计算预算选择合适的社区层级。

漂移搜索（DRIFT Search）

---

我们看到，全局搜索通过检索社区报告来回答宏观问题，而本地搜索则通过图遍历和多源信息融合来回答关于具体实体的微观问题，用户在使用时，必须先判断出问题的类型，然后再明确指定对应的策略，使用起来非常费脑子，如果能将两种搜索策略融合起来那就完美了。

因此，GraphRAG 推出了一种更高级的混合搜索策略 —— 漂移搜索（DRIFT Search），这里的 DRIFT 其实是首字母缩写，全称为 Dynamic Reasoning and Inference with Flexible Traversal，它巧妙地结合了全局搜索和本地搜索的优势，通过动态推理和灵活遍历实现了更全面、更深入的查询能力。

漂移搜索的设计理念是渐进式查询精化，首先进行全局层面的主题探索，建立宏观认知，然后基于初步发现生成深入的后续问题，最后通过本地搜索验证和细化这些问题的答案。这种方式避免了全局搜索过于宏观和本地搜索过于狭隘的问题，实现了广度和深度的平衡。它的运行流程包含三个核心阶段：

阶段一被称为 Primer，用于建立初步的、较宽泛的全局认知，分为两步：

1. 报告选择：将用户查询与所有社区报告进行语义相似性比较，选择最相关的 Top-K 个社区报告作为初始上下文；这里使用了 HyDE（Hypothetical Document Embeddings） 策略，首先根据用户查询生成和社区报告结构类似的假设性文档，然后使用这个假设性文档的嵌入来选择社区报告，这通常比原始的用户查询嵌入效果更好；
2. 初步回答：将这些报告拆成 N 个批次，针对每个批次，生成一个宏观层面的初步答案，分析初步答案和原始查询的相关性，并识别需要进一步探索的方向，生成具体的后续问题；

{

阶段二叫做 Follow-Up，对生成的后续问题进一步的深入探索：

1. 问题选择：从后续问题列表中选择评分最高的 Top-K 个问题，如果没有评分则随机选择；
2. 局部问答：使用本地搜索（Local Search）对选定的问题进行详细回答，这个过程会产生更精确的中间答案，并可能生成新一轮的、更具针对性的后续问题；

{

阶段二是一个 while 循环，这个循环过程会持续进行，直到满足停止条件，当达到预设的深度限制（默认 3 层）或所有后续问题均已回答时。然后进入阶段三 Reduce，系统将所有的中间答案汇聚起来，为用户提供一个既有全局概览又有局部细节的综合性答案。

漂移搜索通过动态地在全局和局部信息之间“漂移”，模拟了人类分析师的探索过程，这和最近流行的 Deep Research 技术非常类似，能够更智能地应对复杂的、探索性的查询需求，这类需求通常会从一个宽泛的起点开始逐步深入到具体细节，比如：

• 这个数据集中的关键问题是什么，它们是如何相互关联的？
• 分析一下某个领域的发展趋势及其影响因素
• 深入探讨某个复杂事件的原因、过程和影响
• 比较分析多个概念或实体的异同及其关系

综合对比

---

为了更好地理解这四种搜索策略的特点和适用场景，我们来做一个综合对比：

只有根据问题场景选择最适合的搜索策略，才能达到最好的效果。

技术实现细节

---

最后，我们来看下 GraphRAG 搜索策略的技术实现，源码位于 query/structured_search 目录下：

├── base.py

GraphRAG 采用了一致的架构设计，所有的搜索策略都统一继承自 BaseSearch 基类，提供 search() 和 stream_search() 两个方法：

classBasicSearch(BaseSearch[BasicContextBuilder]):

每个搜索策略都对应一个 上下文构建器（Context Builder），负责从索引数据中构建查询上下文。不同的搜索策略使用专门优化的系统提示：

• 基础搜索：

• BASIC_SEARCH_SYSTEM_PROMPT：基于文本片段回答用户问题

• 本地搜索：

• LOCAL_SEARCH_SYSTEM_PROMPT：基于实体关系、社区报告、文本片段等回答用户问题

• 全局搜索：

• RATE_QUERY：根据用户问题对社区报告进行打分，用于选择最合适的社区报告；
• MAP_SYSTEM_PROMPT：根据社区报告，让大模型生成一个中间响应，包含一系列关于用户查询的观点及重要性评分；
• REDUCE_SYSTEM_PROMPT：聚合中间观点，生成最终答案；

• 漂移搜索：

• HyDE：根据用户问题生成假设性文档；
• DRIFT_PRIMER_PROMPT：基于社区报告对用户问题作出初步回答，生成后续问题；
• DRIFT_LOCAL_SYSTEM_PROMPT：针对后续问题调用本地搜索后，生成中间答案，并生成新一轮的、更具针对性的后续问题；
• DRIFT_REDUCE_PROMPT：基于所有的中间答案，回答用户的原始问题；

具体的源码解读就不再展开了，有兴趣的朋友可以对照着上面各节的讲解去看下对应的代码。

小结

---

今天，我们详细剖析了 GraphRAG 的四大搜索策略，从简单到复杂，从局部到全局，从静态到动态，每种策略都有其独特的设计理念，通过合理选择和组合这些策略，GraphRAG 能够处理从简单事实查询到复杂推理问题的各种场景。

至此，我们对 GraphRAG 的探索之旅也告一段落。从最初的快速上手，到深入索引构建的三个核心阶段（文档处理、知识提取、图谱增强），再到今天的搜索策略，我们系统地学习了 GraphRAG 如何将扁平的非结构化文本，一步步转化为一个结构丰富、可深度推理的知识库，并最终利用它来赋能更智能的问答系统。

设计理念，通过合理选择和组合这些策略，GraphRAG 能够处理从简单事实查询到复杂推理问题的各种场景。

至此，我们对 GraphRAG 的探索之旅也告一段落。从最初的快速上手，到深入索引构建的三个核心阶段（文档处理、知识提取、图谱增强），再到今天的搜索策略，我们系统地学习了 GraphRAG 如何将扁平的非结构化文本，一步步转化为一个结构丰富、可深度推理的知识库，并最终利用它来赋能更智能的问答系统。

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

适合人群

• 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
• IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
• IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
• 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
  

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。

顶尖师资，深耕AI大模型前沿技术

实战专家亲授，让你少走弯路

一对一学习规划，职业生涯指导

• 真实商业项目实训
• 大厂绿色直通车

人才库优秀学员参与真实商业项目实训

以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调

大厂绿色直通车，冲击行业高薪岗位

文中涉及到的完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】