第 4 章 · 四种查询：怎么在图和报告上问答

这章讲什么： 索引产物（图 + 社区报告 + 向量库）建好后，GraphRAG 提供四种检索问答模式，各有擅长的问题类型。本章逐个讲它们取什么料、怎么组上下文、怎么调 LLM 作答。所有模式共用一个模式：ContextBuilder 组上下文 → Search 编排 LLM。入口都在 packages/graphrag/graphrag/api/query.py。

---

4.1 四选一：先建立地图

模式	取料来源	擅长的问题	LLM 调用量
global	所有社区报告	全局主题归纳（"整体在讲什么")	高（map 每批 + 1 次 reduce）
local	种子实体的邻域（实体/关系/原文块/报告）	具体实体（"关于 X 说了什么")	低（≈1 次）
drift	社区报告定调 + 图上多轮下钻	兼顾全局与局部的复杂问题	中高（多轮迭代）
basic	纯文本块向量检索	局部事实（退化传统 RAG）	低

下面按"最能体现 GraphRAG 特色"的顺序讲：global → local → drift → basic。

---

4.2 global：map-reduce 读遍社区报告

要解决的问题： "这批文档的主要主题是什么"——答案要综合全体，没法靠检索几块。

思路： 既然索引期已经把全体浓缩成一批社区报告，那就把报告分批发给 LLM，每批各自基于报告答一版并给"重要性打分"（map），再把各批的要点按分数汇总成终答（reduce）。这是经典的 MapReduce 套到 LLM 上。

怎么读这张图：左边把社区报告切成若干批并行 map，中间过滤+按分数排序，右边 reduce 成一段答案。

社区报告 ──切成批──▶ [批1] [批2] ... [批N]
                       │map   │map     │map        (并行, semaphore 限并发)
                       ▼      ▼        ▼
                    每批产出 points=[{answer, score(0-100)}, ...]
                       └────────┬─────────┘
                        汇总所有 points → 丢掉 score==0 → 按 score 降序
                                 │ 截到 max_data_tokens
                                 ▼
                          reduce (1 次 LLM, 流式) ──▶ 终答

真实编排在 GlobalSearch（packages/graphrag/graphrag/query/structured_search/global_search/search.py）：

• map：_map_response_single_batch 对每批用 MAP_SYSTEM_PROMPT、强制 JSON 模式，让 LLM 吐 points（每点带 description + score）。asyncio.gather 并发跑，self.semaphore 控并发上限。
• reduce：_reduce_response 把所有点摊平，过滤掉 score==0 的点、按 score 降序、累加到 max_data_tokens 为止截断，拼成 report_data 塞进 REDUCE_SYSTEM_PROMPT 流式生成终答。
• 兜底诚实：如果所有点都 score==0（数据里没有相关信息）且没开 allow_general_knowledge，直接返回罐头答案 NO_DATA_ANSWER（"我不知道"），而不是硬编——避免幻觉。这段的告警注释明确解释了权衡。

动态社区选择（省钱的关键开关）： 默认要读某一层的所有报告，很贵。开 dynamic_community_selection 后，DynamicCommunitySelection.select（packages/graphrag/graphrag/query/context_builder/dynamic_community_selection.py）会从 level 0 顶层报告开始，用 LLM 给每个报告的"与问题相关性"打分（rate_relevancy），评分≥阈值才展开它的子社区继续下钻、否则剪枝。相当于沿社区树做"相关性引导的 BFS"，只读相关分支，大幅省 token。

---

4.3 local：从种子实体扩邻域

要解决的问题： "关于 Martin Smith 都说了什么"——答案集中在某几个实体周围。

思路三步： (1) 把问题 embedding 一下，在实体向量库里找语义最近的种子实体；(2) 沿图收集这些实体的关系、邻居、相关原文块、以及覆盖它们的社区报告；(3) 按预算配比把这些料塞进单个上下文窗口，一次 LLM 作答。

第一步"问题→种子实体"是 map_query_to_entities（packages/graphrag/graphrag/query/context_builder/entity_extraction.py）：

# 示意，非源码。对应 map_query_to_entities
search_results = vectorstore.similarity_search_by_text(
    text=query,
    text_embedder=lambda t: embedder.embedding(input=[t]).first_embedding,
    k=k * oversample_scaler)   # 超采样, 为后面剔除 exclude 留余量
# 命中的向量 id → 还原成 Entity 对象；query 为空时退化为"按 rank 取 top-k"

第二步+第三步在 LocalSearchMixedContext.build_context（packages/graphrag/graphrag/query/structured_search/local_search/mixed_context.py）：它是"混合"上下文——把社区报告、实体表、关系表、协变量、原文块几类料按比例拼进预算。几个关键旋钮：

参数	作用
max_context_tokens	总预算（默认 8000）
text_unit_prop	分给"原文块"的比例（默认 0.5）
community_prop	分给"社区报告"的比例（默认 0.25）
top_k_mapped_entities	取多少个种子实体（默认 10）
top_k_relationships	每个实体取多少条关系（默认 10）

作答在 LocalSearch.search（.../local_search/search.py）：拿 build_context 的结果填 LOCAL_SEARCH_SYSTEM_PROMPT，流式生成。因为只调一次 LLM，local 比 global 便宜得多，接近传统 RAG 的成本，但多了"图邻域"这层结构化上下文。

---

4.4 drift：社区定调 + 图上迭代下钻

要解决的问题： 既需要全局视角、又要钻到局部细节的复杂问题——global 太粗、local 太窄。

思路： 先用社区报告给问题"定个调"并生成一批追问（primer），再把每个追问当一次 local search 去执行、执行中又冒出新追问，如此迭代若干轮、逐步在图上游走下钻，最后把整棵"问答树"归约成终答。DRIFT = Dynamic Reasoning and Inference with Flexible Traversal。

primer: 用社区报告为 query 生成
        {intermediate_answer, score, follow_up_queries[]}
   │  初始 action 入 QueryState 图
   ▼
┌──── 主循环 (epoch < n_depth) ────┐
│ 从状态里挑排名靠前的未完成追问     │
│   取前 drift_k_followups 个        │
│   每个 → 跑一次 local search       │
│   local 又产出新的 follow-up 追问  │─┐
│   写回 QueryState                  │ │ 累积成问答树
└────────────────────────────────────┘ │
   │ 循环结束                            │
   ▼                                    ◀┘
reduce: 把整棵树的答案归约成一段终答

代码分工：

• primer（.../drift_search/primer.py）：PrimerQueryProcessor.expand_query 用了 HyDE 思路——secrets.choice(reports) 随机挑一份社区报告当模板，让 LLM 造一个"假想答案"，再用假想答案（而非原问题）去 embedding 检索，缓解"问题和文档措辞不一致"。DRIFT_PRIMER_PROMPT 要求输出中间答案 + 评分 + 至少 5 个 follow-up。
• 主循环（.../drift_search/search.py 的 DRIFTSearch.search）：while epochs < config.n_depth，每轮 rank_incomplete_actions 挑追问、截前 drift_k_followups 个、_search_step 并发跑 local search，结果连同新追问写回 QueryState。
• local 复用：drift 内部直接复用 LocalSearch，只是多传 drift_query/k_followups，走 local system prompt 的一个分支（见 LocalSearch.search 里 if "drift_query" in kwargs）。
• reduce：_reduce_response 把 QueryState.serialize 出的整棵树答案归约成终答。

精华： drift 把"全局定调"（社区报告）和"局部深挖"（local search）用一棵动态生长的追问树缝在一起——既不像 global 那样只停在报告层，也不像 local 那样只看一跳邻域。

---

4.5 basic：退化成传统 RAG

basic（.../basic_search/）最简单：把文本块 embedding 存向量库，提问时 similarity_search_by_text 找最相似的几块，拼进 BASIC_SEARCH_SYSTEM_PROMPT 作答（basic_context.py(BasicSearchContext.build_context)）。它不碰图、不碰社区报告，就是标准向量 RAG——留作最省钱的兜底，也方便和"图带来的增益"做对比。

---

4.6 一句话怎么选

问"整体/主题/有哪些"           → global   (可加 dynamic 省钱)
问"某个具体人/物/事"           → local
复杂、要边全局边深挖           → drift
就想要个便宜的普通 RAG 兜底    → basic

---

4.7 代码地图

主题	文件路径	符号名
四种查询对外入口	packages/graphrag/graphrag/api/query.py	global_search,local_search,drift_search,basic_search
global map-reduce	.../query/structured_search/global_search/search.py	GlobalSearch,_map_response_single_batch,_reduce_response
动态社区选择（相关性 BFS）	.../query/context_builder/dynamic_community_selection.py	DynamicCommunitySelection.select
报告相关性打分	.../query/context_builder/rate_relevancy.py	rate_relevancy
问题→种子实体	.../query/context_builder/entity_extraction.py	map_query_to_entities
local 混合上下文	.../query/structured_search/local_search/mixed_context.py	LocalSearchMixedContext.build_context
local 作答	.../query/structured_search/local_search/search.py	LocalSearch.search
drift 主循环	.../query/structured_search/drift_search/search.py	DRIFTSearch.search
drift primer（HyDE 扩展）	.../query/structured_search/drift_search/primer.py	PrimerQueryProcessor.expand_query,DRIFTPrimer
drift 状态树	.../query/structured_search/drift_search/state.py	QueryState
basic 向量检索	.../query/structured_search/basic_search/basic_context.py	BasicSearchContext