AREXOpen in interactive Feed

AREX Feed Article

微软研究院发布 GraphRAG Zero,已在 Foundry IQ 与 GitHub Repo Mind Light 中提供

November 18, 2026

北京时间 11 月 18 日凌晨,Microsoft Research 官方 X 账号 @MSFTResearch 发帖宣布 GraphRAG Zero:按其自述,这项技术面向“整体性发现”(holistic discovery),是微软多年研究的成果,把基于图的检索(graph-based retrieval)从实验性技术变成了可部署系统,帮助组织快速、低成本地探索自身海量数据之间的关联;它现在已在 Foundry IQ 和 GitHub 的 Repo Mind Light 中提供,应用覆盖从科学发现到仓库理解(repository understanding)。帖文本身没有给出性能数字、基准或第三方验证,可直接核对的机制与评测写在同一天发布的配套长文里。

这篇题为《GraphRAG 的演进:系统与评测共同推进》(The evolution of GraphRAG: Advancing systems and evaluation together)的博文 11 月 17 日发布在微软研究院官网,给出了关键机制:与 2024 年发布的初代 GraphRAG 相比,GraphRAG Zero 在索引阶段不再调用 LLM(大语言模型),查询阶段也可配置为不调用 LLM,亚秒级的检索延迟完全由文本嵌入的几何结构驱动。微软研究院同时把边界写在正文里:文中的研究评测结果不是对 Foundry IQ 服务的实测。

索引阶段零 LLM 调用:从社区报告到嵌入导出图谱

初代 GraphRAG 的索引成本来自语言模型本身:要为每个实体和关系写描述,把相近实体聚成社区,再让模型生成社区报告。这些产物对分析有价值,但对主要目的只是回答问题的应用来说是沉重的开销。微软研究院的第一步降本是改用传统自然语言处理方法构建概念共现图谱,这一“快速索引”选项已并入 GraphRAG 库;第二代 LazyGraphRAG 则把所有生成式模型的使用推迟到查询时,在其评测中把索引成本降到完整 GraphRAG 的 0.1%。代价是回答前的等待:LazyGraphRAG 和 deep research 类工作流收集、分析证据可能要花一分钟以上,对交互式应用来说仍是约束。

GraphRAG Zero 换了一条路线:用文本嵌入直接导出图谱,由它组装相关且有代表性的上下文;实时配置下,生成式模型只负责最后生成回答。按博文口径,“Zero”指的是检索快到能跟上交互对话的节奏。GitHub Next 的 Repo Mind Light 项目页补充了产品内的实际形态:GraphRAG Zero 在其中以不带社区摘要的模式运行,检索立足嵌入和文本块,图谱结构只负责引导候选选择,不依赖预计算的社区摘要。

上下文便宜到可以持续构建和更新,还带来一个直接后果:agent 的产出可以被检查。微软研究院的 VeriTrail 就用于在带源数据和上下文驱动输出的 RAG(retrieval-augmented generation,检索增强生成)系统中检测幻觉,并追溯无依据内容是在哪一步被引入的。

200 道合成问题上的评测:53.4%~57.4%,以及微软标注的边界

微软研究院在博文中解释了为什么这次评测不再只看答案偏好:偏好评分分不清是证据变好了还是行文变好了。他们为 GraphRAG Zero 定义了两类多样性——“相关多样性”(检索内容对查询相关且多样)与“代表性多样性”(覆盖面反映相关数据的主题结构),并配上两套互补度量:一边用 AutoQ 从语料自动生成的来源断言(source-grounded assertions)检查答案应当包含什么;另一边用 LLM 对文本块的相关性判断直接评估上下文本身,精度以 LLM 判定的文本块为单位,召回则以相关主题簇为单位,衡量广度而非传统的文档级召回。这些度量都实现在开源的 BenchmarkQED 套件中。

实验设置如下:语料是播客转录稿和新闻文章,200 道合成问题中多跳与全局各占一半;两种系统使用同一嵌入模型和同一答案生成器,每个问题只生成一个回答。在 50 个文本块的检索预算下,全局问题的答案断言覆盖率从 vector RAG 的 53.4% 升到 GraphRAG Zero 的 57.4%;GraphRAG Zero 平均用 0.93 秒准备好回答上下文(含查询嵌入,不含答案生成)。

结果里有一个明确的交换:GraphRAG Zero 的簇召回(cluster recall)和主题保真度更高,vector RAG 的文本块精度更高。微软研究院的解读是,更有代表性的证据支撑了更完整的全局回答,所以单看相关文本块的比例不足以指导开发。博文也写明了两个限定:这些结果不是对 Foundry IQ 服务的测量;可选的推理扩展能用更多模型处理换取更高的全局答案覆盖率。

Foundry IQ:知识图谱进入公共预览,Microsoft Discovery 承诺跟进

产品侧的一个落点是 Foundry IQ(Azure AI Search)。微软研究院称 GraphRAG Zero 已作为其中一个选项提供,让需要相关、代表性证据的应用在交互速度下进行图引导检索(graph-guided retrieval),并称它已在微软内部广泛使用。

同一天,Azure AI Foundry 团队发布公告,宣布 Foundry IQ 的知识图谱能力进入公共预览:索引时按用户自己的本体(ontology)映射实体,也可以直接带入现成图谱;之后可以用自然语言或图查询语言 GQL 查询连接,每条连接都保留来源引用;主题(Topics)从现有嵌入自动识别,不需要本体,还能提出候选本体供人审核;用户不需要另建图数据库,也不用跑第二条流水线。公告同时宣布专用检索模型 Microsoft Retriever 1 进入公共预览——它在现有索引上为每次搜索做规划,成本更低,检索规划不需要部署前沿模型。

微软研究院博文还写道,Microsoft Discovery 已承诺通过 Foundry IQ 采用 GraphRAG Zero 支持科学研究。Foundry IQ 公告里,Microsoft Discovery 与量子业务线的合作产品经理 John Link 说明,Foundry IQ 的知识图谱是 Discovery 知识体验 Bookshelf 的关键组成部分,接入后 Discovery 客户可以用 SharePoint、Work IQ 等更多数据源支撑研发工作流。按该公告,Foundry IQ 属于微软 IQ 平台(与 Work IQ、Fabric IQ、Web IQ 并列),Foundry IQ Serverless 宣布将于 2026 年 12 月正式商用。

Repo Mind Light:容器公开、源码不公开的仓库理解工具

另一个落点在 GitHub。GitHub Next 的 Repo Mind Light是 Repo Mind 的后续项目,目标没有变:让人和编码 agent 对整个仓库形成可靠、整体的理解,而不是一串孤立的搜索命中。微软研究院的博文说明,它随 GraphRAG Zero 一起交付,以公共容器镜像提供,并与 GitHub Agentic Workflows 集成。

它的架构刻意收窄:把仓库的 issues 和 pull request 增量索引成本地磁盘索引文件,查询时用 GraphRAG Zero 检索这套语料;源代码与文档则通过 GitHub Code Search(内部称 Blackbird)实时取回;两部分拼在一起,经本地 MCP(Model Context Protocol,模型上下文协议)服务器暴露给编码 agent。微软研究院举例说,它能回答架构怎么组织、某个部分归谁负责、以及当初为什么那样决定这类问题。

索引体积被控制在能跟随工作流运行的水平:即使仓库有数千个 issues 和 PR,索引也只有约 100 MB,装得进 GitHub Actions 10 GB 的缓存预算;索引维护是增量的,每次只处理变化的 issues 和 PR。在 GitHub 内部,事件响应团队已经用它的 agentic workflow 挖掘仓库,找相关 issues、可能的联系人、代码引用和历史讨论;他们最看重的一类信息是旧 issue 评论里的“部落知识”——技术上可搜索,关键时刻却很难被普通搜索找到。

开放程度有一条清楚的界线:公共 Docker 镜像是 ghcr.io/githubnext/repo-mind-light,源码仓库保持私有,原因是当前 GraphRAG Zero 的实现是专有的。

从情报分析到第三代:系统和评测框架互相推着演进

微软研究院把这条线的起点讲得很具体:2023 年他们要做的不是 RAG,而是帮人理解数据。团队此前把情报分析方法用在商业智能、搜索推荐、反技术支持诈骗调查和新闻溯源上,图在这些场景里负责把散落的观察连起来;第一个用例来自内部威胁分析合作,分析师需要把多年报告当作一个整体来导航。他们借用了 Ben Shneiderman 的信息搜寻箴言——“先总览,再缩放和过滤,最后按需看细节”——把相近实体聚成社区、用语言模型生成社区报告,这就是 GraphRAG 的雏形。

2024 年 4 月,微软发布论文和开源库,把可以问的问题从“找相关段落”扩展到“整个文档集的主题、模式和含义”。按博文口径,原始论文至今累计约 3,900 次引用,开源库的 star 数超过 36,000,GraphRAG 还进入了 Gartner 的生成式 AI 技术成熟度曲线(Hype Cycle for Generative AI)。

与系统并行的另一条线是评测框架 BenchmarkQED。微软研究院总结的规律是:每一次能力进步都会暴露出度量上的缺口,补上缺口的评测又塑造下一代系统。博文中的图 1 把这条线画了出来——从 GraphRAG 配全局问题评测,到 LazyGraphRAG 配局部-全局测试,再到 GraphRAG Zero 配证据质量度量,以及仍在研究中的 agent 记忆与可重复评测。

往下走,微软研究院列出的方向是为“变化中的 agent 知识”准备上下文,并用“分级证据覆盖”(graded evidence coverage)度量——LLM 判断每个文本块对断言的支持是完整、部分还是没有;GitHub Next 的 WikiKB 已把这套方法用于仓库原生的知识库。微软研究院的判断是,随着检索成为 agent 推理与记忆的基础,进展不能只靠假设,每一轮迭代都必须被度量。至于 GraphRAG Zero 本身,博文结尾指出的未决问题是:它进入 Foundry IQ 和 Repo Mind Light 之后,真实应用会暴露出现有基准尚未覆盖的需求。

参考链接

  • @MSFTResearch 宣布 GraphRAG Zero 的帖文(X,2026 年 11 月 17 日 UTC)
  • 微软研究院博文:The evolution of GraphRAG: Advancing systems and evaluation together
  • Azure AI Foundry 团队公告:Foundry IQ: Introducing knowledge graphs, engineered for agents
  • GitHub Next:Repo Mind Light 项目页
  • microsoft/graphrag 开源库(GitHub)
  • 原始论文页:From Local to Global: A Graph RAG Approach to Query-Focused Summarization