腾讯优图重磅开源Youtu-GraphRAG，实现图检索增强技术新突破

图检索增强生成（GraphRAG）已成为大模型解决复杂领域知识问答的重要解决方案之一。然而，当前学界和开源界的方案都面临着三大关键痛点：

• 开销巨大：通过 LLM 构建图谱及社区，Token 消耗大，耗时长，经济与时间成本高昂。
• 效果瓶颈：对复杂问答的解析精度有限，面临显著的效果瓶颈。
• 适配成本高：缺乏跨任务泛化能力，遇新领域需重新调整全链路，迁移成本高。

针对这些难题，腾讯优图实验室正式开源 Youtu-GraphRAG 框架，通过创新的算法优化，实现了成本和效果的双重突破！

• 论文标题：Youtu-GraphRAG: Vertically Unified Agents for Graph Retrieval-Augmented Complex Reasoning
• 论文链接：https://arxiv.org/pdf/2508.19855

成本和效果的双重突破

在六个跨领域多语言基准测试中，Youtu-GraphRAG 展现出卓越性能：

• 大幅成本优化：相比同类最佳方案，构图成本节省 30%+；
• 显著精度提升：在复杂推理任务中获得最高 16%+ 的准确率提升；

这些结果标志着 GraphRAG 技术向落地可用的发展阶段迈进了重要的一步。

技术架构：三大创新构建垂直统一的完整方案

Youtu-GraphRAG 通过 Schema 连接两个智能体，在图构建、索引和检索上实现垂直统一和认知闭环，以领先的落地级图构建与推理能力推动 GraphRAG 进入新的阶段。

1. Schema 引导的层次化知识树构建

通过引入有针对性的实体类型、关系和属性类型，为图构建智能体提供精确约束，实现了跨领域知识的自主演化和高质量抽取。四层架构设计包括：

• 属性层：存储实体的属性信息
• 关系层：构建实体间的关系三元组
• 关键词层：建立关键词索引体系
• 社区层：形成层次化的高维度社区结构

2. 结构语义双重感知的社区检测

巧妙融合结构拓扑特征与子图语义信息，在复杂网络中提炼高维度知识加强推理总结能力，社区生成效果显著优于传统 Leiden 和 Louvain 算法。利用大模型进行社区摘要生成，实现更高层次的知识抽象。

3. 智能迭代检索机制

深度理解图 Schema，将复杂查询针对性地转换为符合图特征且可并行处理的子查询，通过迭代检索进一步提升思维链追溯与反思能力。