Youtu-GraphRAG

Youtu-GraphRAG是由騰訊優圖實驗室於2025年9月11日開源的一款圖檢索增強生成框架，屬於大語言模型與RAG（檢索增強生成）結合的技術類型，適用於企業知識庫問答、科研文檔解析等知識密集型場景。騰訊優圖實驗室進一步開源了該框架。在六個權威基準測試中，該框架最高實現90.71%的Token成本節約，在複雜推理任務中準確率提升最高可達16.62%，並支持中英文雙語處理。Youtu-GraphRAG通過Schema連線兩個智慧型體，首次實現了從圖構建到索引和檢索的垂直統一和認知閉環。

該框架通過四層架構組織知識圖譜，包括存儲實體屬性的屬性層、構建實體關係三元組的關係層、建立關鍵字索引體系的關鍵字層，以及形成層次化社區結構的社區層。其社區層採用結構語義雙重感知的檢測方法，融合拓撲特徵與子圖語義信息，社區生成效果優於傳統Leiden和Louvain算法，在社區檢測上效率提升近100%。該框架具備企業級特性，包括統一配置管理、高性能並行處理和跨環境遷移支持。

基本介紹

• 外文名：Youtu-GraphRAG
• 類型：圖檢索增強生成框架

技術架構

Youtu-GraphRAG是一種“垂直統一”的智慧型體範式，將圖構建與檢索通過schema深度綁定，形成“構建-檢索-評估”的認知閉環。該框架通過Schema連線兩個智慧型體，首次實現了從圖構建到索引和檢索的垂直統一和認知閉環。

其核心組件包括Schema約束的提取智慧型體，通過預定義的圖Schema引導LLM進行高質量、低噪聲的知識抽取。雙感知社區檢測與知識樹融合結構拓撲特徵與子圖語義信息進行社區劃分，並基於此構建包含“社區層、關鍵字層、關係層、屬性層”的四層知識樹結構，支持多粒度檢索。智慧型體檢索器基於Schema理解複雜查詢意圖，將其分解為可並行處理的子查詢，並通過疊代反思機制最佳化推理結果。匿名數據集與“匿名還原”任務通過構建匿名化數據集和設計還原任務，以評估框架的真實性能，避免知識泄露干擾。

四層知識樹結構包括：社區層作為巨觀摘要，由大語言模型為每個檢測出的社區生成智慧型摘要，形成高層次知識單元；關鍵字層建立核心實體的高效檢索索引體系；關係層存儲實體間的原子事實關係三元組；屬性層存儲實體的基礎屬性信息作為細節補充。

雙感知社區檢測機制同時計算節點間的結構重疊度和語義相似度，通過綜合評分進行疊代社區合併，其效果優於傳統Leiden和Louvain算法。智慧型疊代檢索機制利用Schema進行查詢分解，並採用實體匹配、三元組匹配、社區過濾、DFS路徑遍歷等多路徑並行檢索策略，最後通過疊代反思提升答案的準確性與可追溯性。該架構在多個基準測試中實現最高90.71%的Token成本節約和最高16.62%的準確率提升，並具有良好的跨領域遷移能力。

發展歷史

2025年9月11日，騰訊優圖實驗室宣布正式開源全新圖檢索增強生成框架——Youtu-GraphRAG。2026年1月27日，該框架進行了更新，提升了成本效率、推理精度與跨域適配性。

功能服務

主打大語言模型+RAG模式，把知識組織成“圖譜”，再交給大語言模型去檢索和推理，幫助大模型在處理複雜問答類任務時回答更精準、更可追溯。尤其適用於企業知識庫問答、科研文檔解析、個人知識庫、私域知識管理等知識密集型場景。Youtu-GraphRAG通過Schema連線了兩個智慧型體，在圖構建、索引和檢索上實現垂直統一和認知閉環。

通過引入有針對性的實體類型、關係和屬性類型，為圖構建智慧型體提供精確約束，實現了跨領域知識的自主演化和高質量抽取。四層架構設計包括：屬性層：存儲實體的屬性信息；關係層：構建實體間的關係三元組；關鍵字層：建立關鍵字索引體系；社區層：形成層次化的高維度社區結構結構語義雙重感知的社區檢測巧妙融合結構拓撲特徵與子圖語義信息，在複雜網路中提煉高維度知識加強推理總結能力，社區生成效果顯著優於傳統 Leiden 和 Louvain 算法。利用大模型進行社區摘要生成，實現更高層次的知識抽象。深度理解圖 Schema，將複雜查詢針對性地轉換為符合圖特徵且可並行處理的子查詢，通過疊代檢索進一步提升思維鏈追溯與反思能力。

套用場景

在科研場景中，它可以支持深度因果分析和跨領域知識總結。在產業與知識管理層面，該框架能夠為企業知識庫問答、技術文檔解析等高知識密集任務提供更精準和高效的解決方案，並可擴展至個人知識庫和私域知識管理。該框架的套用領域還可擴展至醫療健康、法律、教育等領域。

優勢

• 大幅成本最佳化：相比同類最佳方案，構圖成本節省 30%+；
• 顯著精度提升：在複雜推理任務中獲得最高 16%+ 的準確率提升；
• 強大泛化能力：支持中英雙語處理，通過最小化人為干預 Schema 實現跨領域無縫遷移。

實驗與性能

Youtu-GraphRAG在6個基準數據集（5個公開和1個自建）上進行了驗證。該框架在包括HotpotQA、2Wiki、MuSiQue、G-Bench、AnonyRAG在內的多個數據集上進行了評估，例如在HotpotQA (Open模式)中取得了86.5%的準確率，比HippoRAG2高出4.7%，在2Wiki (Open模式)中準確率達85.5%，比HippoRAG-IRCOT高出7.1%，在G-Bench上準確率為86.54%，比HippoRAG2高出7.17%，在AnonyRAG-CHS上準確率為42.88%，優於對比基線。

在效率方面，Youtu-GraphRAG的Token消耗相比同類最佳方案最高可節省90.71%，社區檢測階段速度比RAPTOR快30%，比E2GraphRAG快45%。

消融實驗顯示，移除社區檢測機制會導致在HotpotQA上的準確率下降1.7%，移除智慧型體檢索器會使2Wiki的準確率下降19.8%，而移除Schema引導則導致AnonyRAG-CHS的準確率下降7.27%。

Youtu-GraphRAG在無需任務特定微調下，在6個異質數據集上均達到SOTA水平，例如從HotpotQA遷移到G-Bench時準確率僅下降0.04%。

核心團隊

Youtu-GraphRAG由騰訊優圖實驗室研發並開源。該實驗室團隊研發了GraphRAG框架，通過構建屬性、知識圖（三元組）、關鍵字、社區四級知識粒度的樹型圖譜結構，實現對文本知識的整合。團隊提出了S2Dual-perception社區檢測方法，利用拓撲結構（Structure）和子圖語義信息（Semantics）生成社區總結。團隊還提出了圖譜Schema感知的複雜Query理解模組AgenticGraphQ，通過智慧型體對Schema的理解，挖掘查詢中的隱式關係，實現多跳向單跳簡化的子任務解耦。根據實驗對比，該框架在構圖成本和回答準確率上有所最佳化，構圖的大模型調用成本降低，在多個複雜數據集上效果有所提升。

運營模式

Youtu-GraphRAG採用開源模式進行發布和運營。2025年9月11日，騰訊優圖實驗室宣布開源該框架。其開源為圖檢索增強技術提供了一條可復用的路徑。該框架設計具備企業級特性，包括統一配置管理、高性能並行處理和跨環境遷移支持。