04.1
图索引的处理对象
微软GraphRAG的官方数据流程区分文档、文本单元、实体、关系、社区和社区报告等对象。这样的区分使检索系统同时保留原始材料与派生结构。图索引不是把整份文档简单改成几个关键词，而是把可定位片段与抽取对象连接起来，再组织更大范围的语义结构。报告中的图5将原始层、结构层与摘要层分开，帮助识别每一层增加了什么，又可能丢失什么。[R32]
本文认为，设计图索引时应首先保证对象之间的追溯关系。实体的名称可以变化，文本单元的分割可以调整，但旧回答所用的证据应仍能被解释。索引更新如果只覆盖当前图而不保留版本，就可能使历史回答无法复核。对研究实验而言，固定语料快照、切分方案和抽取版本同样重要，否则比较中的“同一资料集”可能已经发生变化。图索引的评估因此既要检查查询质量，也要检查输入输出之间的身份稳定性。后者通常不直接反映在问答分数中，却决定系统能否持续维护。
04.2
实体关系抽取与信息压缩
大模型抽取为非结构化资料提供了灵活入口，但它同时是一种有损转换。原文中的条件、语气、例外和时间可能在短关系中被压缩。把“某报告推测项目可能延迟”写成“项目发生延迟”，会把来源、推测状态与可能性同时删除。本文建议让抽取记录保留命题状态和支持片段，并针对否定、条件句和转述构造测试。抽取结果不宜因符合输出格式，就被视为语义正确。[R02][R32]
抽取粒度应服务于查询任务。如果只保存高频实体，罕见但决定答案的对象可能丢失；如果把几乎每个名词都建成实体，图会变得嘈杂且维护困难。研究可设置不同的实体类型范围和关系约束，观察它们对召回、错误传播与索引成本的影响。生成模型还可能把一般知识补入抽取结果，因此必须检查每条关键关系是否来自当前资料。本文主张把模型提出的候选与通过证据检查的关系分开存储，使抽取成为可审计的知识构建过程，而不是一次不可逆的文本改写。
04.3
社区层级与主题表征
社区检测依据图连接组织节点，形成可供汇总的群组。Leiden研究讨论了社区连通性等图结构性质，微软GraphRAG则利用社区及其层级组织摘要。需要注意，图结构上的良好社区并不自动等于业务上正确的主题分类。社区名称和报告仍需要语言解释，其质量受抽取图及摘要过程共同影响。图的分区、主题的命名和主题对用户是否有用，是三个应分别检查的问题。[R27][R32]
本文建议在研究中同时保留社区成员、层级关系与摘要依据。调节社区粒度可能让报告更概括，也可能把重要差异合并掉。若一个主题只在少数片段中出现，它可能不会成为显著社区，却仍对某个用户极其重要。因此，全局理解不能简单等同于统计上最大的几个群组。对用户问题应检查主题覆盖与少数但相关的证据，并说明报告依据的是哪些层级。社区结构适合作为组织资料的工具，其输出仍需要与原始材料和使用目的对照，而不是被当作资料天然存在的唯一分类。
本报告教学示意，未执行聚类
04.4
全局检索与分批汇总
全局检索使用社区报告作为上下文，分批形成与问题相关的中间回答，再筛选和汇总为整体回答。这里有两个不同时间点的摘要：索引时生成的社区报告，以及查询时面向具体问题形成的中间回答。把两者混为一谈，会误以为系统预先知道了所有用户问题。官方流程说明了分批与聚合机制，但实际效果仍取决于报告是否保留了相关信息，以及聚合时是否正确处理重复和差异。[R33]
本文把全局汇总看成受预算约束的证据压缩。每一层压缩都可能丢失少数观点、例外或冲突，因此最终答案应避免把概括写成无条件的全体判断。研究可以追踪一个重要命题在原文、社区报告、中间回答和最终回答中的变化，检查语气是否逐步变强。不同批次的报告还可能重复引用同一来源，若把重复次数当作独立支持，就会高估证据强度。聚合阶段应识别来源重叠，并尽量保留分歧，而不是仅按语言流畅度合并。这样的检查比单纯观察答案长度更能解释全局摘要的可靠性。
本报告原创设计
04.5
局部问题与全局问题的配合
围绕具体实体的问题，通常需要细粒度关系和直接证据；围绕整个资料集合的问题，则更需要覆盖不同群组的概括。一个应用可能在同一会话中交替出现两类请求，例如先问某个项目的合作方，再问所有项目的共同风险。设计时应允许局部证据与较大范围摘要相互补充，并保持它们的来源层次。用户看见一个全局结论后，还应能追问它由哪些具体记录支持。
本文建议用问题的证据需求决定检索模式，而不是只根据问句长短或关键词判断。某个看似具体的问题可能需要跨文档比较，一个包含“总体”字样的问题也可能只涉及一小组明确记录。研究可由人工标注必要证据集合，再观察不同模式是否覆盖该集合。若同时运行多种模式，应记录成本并说明最终答案如何选取证据。把多个结果全部塞给模型，可能增加冲突和上下文噪声。模式组合的价值应体现为更合适的证据选择，而不是更多的检索调用或更长的回答。[R09][R33]
04.6
原文发现与适用条件
微软早期文章报告，GraphRAG在全面性、视角多样性和支持人工核查等比较维度上表现较好，同时其对来源的忠实性与基线相近。这组结论不能改写成“图谱消除了幻觉”，也不能变成适用于所有任务的准确率提升比例。后续论文围绕全局理解问题提供了更系统的分析，但应与早期演示分开引用。研究结果的解释必须保留所用语料、问题生成方法、评价者和比较对象。[R01][R02]
本文认为，最有价值的启示是评价单位发生了变化：当问题要求理解整批材料时，只评价少数片段与问句的相似性是不充分的。但这并不削弱向量检索在明确事实查找中的作用。图构建会引入成本、延迟和错误来源，社区报告也需要更新。是否采用这种方法，应取决于用户是否频繁提出关联和整体理解问题，以及系统是否有能力维护派生证据。合理的结论是建立任务条件下的适用判断，而不是把一种研究方法升级为所有知识工作的默认答案。