重磅，微软LazyGraphRAG正式开源及实现细节剖析！

微软GraphRAG自提出，已历时快一年，PaperAgent对其发展历程进行了专门梳理与总结：

• 去年4月，为解决传统RAG在 全局性的查询总结 任务上表现不佳，微软多部门联合提出Project GraphRAG（大模型驱动的KG）；

• 去年7月，微软正式开源GraphRAG项目，引起极大关注，至今23.2k star，但落地时却面临巨大成本痛点（具体： LLM用于实体关系抽取+描述，社区总结 ）；

• 去年11月，为了上述痛点，

微软发布了

LazyGraphRAG，将数据索引成本降低1000倍，只有GraphRAG的0.1%（ 使用 NLP 名词短语提取来识别概念及其共现，再利用图形统计来优化概念图并提取分层社区结构 ）；

• 时隔3月，微软GraphRAG项目迎来2.0.0版本，正式开源 LazyGraphRAG ，即 NLP graph extraction 功能。

LazyGraphRAG代码解读

• NLP图谱抽取

graphrag/index/workflows/extract_graph_nlp.py

• 建立名词短语图

graphrag/index/operations/build_noun_graph/build_noun_graph.py

nodes：

• 使用text_analyzer.extract方法从每个文本单元中提取名词短语
• 去重

edges（共现关系）：

• 将节点数据框中的text_unit_ids展开，得到每个文本单元中出现的名词短语列表
• 对每个文本单元中的名词短语列表，生成所有可能的边（即名词短语对）

edge_weights

• 按source和target分组，统计边的权重（即边出现的文本单元数量）
• 使用点互信息（PMI）对边的权重进行归一化

LazyGraphRAG技术原理

• 使用 NLP 名词短语提取来提取概念及其共现
• 使用图形统计来优化概念图并提取分层社区结构

效果对比，LazyGraphRAG答案更加丰富

，Query：描述 2024 年健康保险计划开放注册期间，美国个人在选择健康保险计划

时应考虑哪些因素。

微软LazyGraphRAG：新一代超低成本RAG

          
              

            https://github.com/microsoft/graphrag/blob/main/CHANGELOG.md
          
        

推荐阅读

• •

动手设计AI Agents：Coze版（编排、记忆、插件、workflow、协作）

• •

DeepSeek R1 + Agent 的下半场

• •

RAG全景图：从RAG启蒙到高级RAG之36技，再到终章Agentic RAG！

• •

Agent到多模态Agent再到多模态Multi-Agents系统的发展与案例讲解（1.2万字，20+文献，27张图）

---

欢迎关注我的公众号“

PaperAgent

”，

每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。