GraphRAG CVTE多业务场景探索与应用解析

GraphRAG 如何落地 CVTE 智能教育与客服？图结构数据与大模型融合的实战解析。

先讲几个关键洞察：当传统 RAG 应对复杂关联场景力不从心时，GraphRAG 成为破局工具。近期，视源股份（CVTE）在其两大核心业务——智能教育与智能客服中，将这项技术推向落地。从原理、框架选型到真实部署，整个链条藏着不少值得推敲的细节。

本篇聚焦：GraphRAG 的原理与框架选择逻辑，智能教育场景下具体解决了哪些痛点，智能客服的部署路径，以及未来可预期的演进方向。

分享嘉宾｜张世鸣 视源股份（CVTE） 研究员
编辑整理｜卢学林
内容校对｜李瑶
出品社区｜DataFun

GraphRAG 核心认知与框架决策

RAG 的核心逻辑是利用外部知识库增强大模型，使其输出更精准。但传统知识库中数据彼此孤立、缺乏关联。GraphRAG 的突破在于用图结构组织数据：颗粒度更细，并能清晰表达领域内及跨领域的复杂关系。配合丰富的图算法与技术栈，GraphRAG 在实际应用中比普通 RAG 灵活得多，适用场景更广。

拆解 GraphRAG 的关键阶段，各有门道：

• 查询处理： 核心是将用户查询与知识库知识对齐。常用手段包括命名实体识别、关键信息抽取、Text2GQL 结构化查询，以及多步分解与语义增强。
• 检索： 基于预定义规则的启发式方法，和通过模型学习高阶特征的基于学习的方法，各有优势。实际部署中，神经+符号的集成方案较为常见。
• 组织： 对检索结果精加工，剔除噪声、优化结构，确保喂给大模型的数据质量达标。
• 生成： 由大模型输出最终结果。

GraphRAG 的底层数据源宽泛：知识图谱、社交关系图、文档图、分子结构图等。由于每个环节的技术方案众多，框架选型成为关键。目前市面上有微软 GraphRAG、LightRAG 等。CVTE 因业务复杂、数据量大，早年选用了分布式图数据库 Apache HugeGraph。大模型兴起初期，团队即着手探索海量图数据与大模型的结合路径。

为此，CVTE 提出 HugeGraph-AI 框架，旨在打通图与大模型的融合。如今 Apache HugeGraph 已不限于数据库，而是一套完整的图生态组件：底层分布式存储、集成 Flink/Spark 的数据处理框架、独立图计算框架（OLAP 场景下的高效遍历分析），以及我们今天关注的 HugeGraph-AI 框架。

该框架的核心能力：

• 图谱构建： 实现在线知识抽取与实时节点融合，数据写入 HugeGraph 后支持在线可视化编辑。
• 图数据深度探索： 基于分布式图计算模块进行社区发现、路径遍历等操作，图算法通过参数配置和接口调用即可完成，底层执行效率高。
• GNN 数据准备与训练推理： 内置 GNN Adapter，高效从底层图数据库抽取并构建 GNN 所需的数据结构与特征。数据就绪后，可用框架内置算法或通过 Adapter 接入第三方库进行训练与推理。
• 查询结构化模块： Text2GQL，将自然语言转化为图查询语句。流程包括 query 到 GQL 的构建、相似 GQL 召回、语法检查、执行，并基于反馈多次调整，最终输出结果给大模型。

此外，HugeGraphAI 仍在规划更多功能，详情可参考其开源项目。

智能教育场景：从数据孤岛到知识网络

希沃是 CVTE 在教育领域的自有品牌，产品覆盖智慧黑板、智能讲台、希沃白板、班级优化大师等软硬件。这些产品贯穿课前、课中、课后全流程，涉及学生、家长、教师多个角色，积累了海量数据。如何最大化数据价值，是整个团队持续攻坚的命题。

从底层数据看，教育领域包含几个典型子图：学习知识点、概念、习题和学生。知识点之间相互关联（包含、递进、并列）；概念是知识点的细化解释；习题内部有难度递进等关系；学生作为应用主体，大部分关系围绕他展开。例如学生与知识点的掌握度关系、学生与习题的关系、习题与知识点的关系等。关键点在于边分为两种：实线表示显式关系（可用固定规则或逻辑提取）；虚线表示隐式关系（数据中潜在的深层关联，需用复杂算法挖掘）。比如教材明确章节包含哪些知识点，但学生究竟掌握了哪个知识点，需靠隐式关系构建来推断。

显式关系的构建较为直接。根据教材目录将章节切分，再划分文本块，从中抽取知识点与概念，依据目录结构关联章节。一个章节可能涉及多个知识点，不同章节间的相同知识点需合并，因此需要 memory 模块保证全局一致性。

完成这些操作后，得到若干知识点子图。在此基础上，可进一步探索知识点与概念的深层关系，例如用图中心算法查找关键节点，或用数据发现算法识别相似知识点，从而辅助理解知识点间的关联。

举例来说，图谱构建完成后，若需解析一道题涵盖的知识点，一方面借助大模型总结题目涉及的知识点，另一方面从题中提取关键概念（如“最大值”“最小值”），将知识点摘要和概念映射到图谱节点，召回多跳子图信息，最终生成题目解析报告。当然，图结构复杂时效果可能打折，后续会提到优化方案。

隐式关系的挖掘则复杂许多。教育领域两大热门方向是认知诊断与知识追踪。认知诊断获取学生当前知识状态（即对知识点的掌握度）；知识追踪则通过分析学生行为和历史答题记录，动态建模知识变化并预测未来表现。这里我们聚焦如何基于知识追踪构建学生与知识点、学生与习题预测之间的隐式关系。

具体实现以深度学习模型 LPKT 为例，它包含三个模块：

• 学习模块： 建模学生相比上次学习的新增收获。输入包括习题、答题时间、答题结果、两次答题的时间间隔以及当前知识状态，输出学习增益。但并非所有增益都能转化为掌握度，因此设计“学习门”来控制知识吸收。
• 遗忘模块： 依据遗忘曲线，知识会随时间衰减。该模块设计“遗忘门”，结合当前知识状态、学习增益和时间间隔，更新学生做下一道题时的知识状态。
• 预测模块： 用更新后的知识状态预测下一道题的答对概率，根据实际结果计算损失，反向传播优化模型。

通过该模型，可计算出学生对每个知识点的掌握度，以及答对特定习题的概率，从而支撑智能推荐。但问题在于，此前未考虑知识点间的相互影响。通过 chunk 构建的知识点关系只能判断是否相关，无法量化影响程度。比如知识点 A 没掌握好，与之相关的 B、C、D 应先学哪个？这需要用因果推断来建模知识点间的影响关系。

因果关系推断用于识别变量间的因果效应。我们需要估算掌握知识点 A 对知识点 B 的影响效应，必须排除干扰项，即“混淆变量”。例如图中 E 和 F 指向 A 和 B，C 指向 A，这些都可能干扰 A 对 B 的因果效应。通过“后门准则”可识别混淆变量，进而用倾向性得分匹配或双重机器学习等方法排除其影响，从而得到知识点间更纯粹的因果效应。

图构建完成后，下一步是检索。常用的图遍历方法（如 BFS）容易引发信息过载——每多走一步，领域指数级扩张。更优方案是**加规则**，有选择地探索最相关的邻接节点。例如在学情报告场景中，想了解某个学生对某章节知识点的掌握情况，可基于已知的“掌握度”边来确定遍历方向，或用最短路径连接各个实体，避免无关信息。

另一个场景是了解整个班级的情况，需进行批量图遍历聚合分析。此时 HugeGraph 框架尤为顺手。先通过 Text2GQL 将逻辑转化为图查询语言，再调用分布式图计算引擎高效计算。由于学生知识状态随做题量动态变化，学情报告可从 HugeGraph 获取多个时间段的子图进行对比分析，这是图增强的典型应用。

整体而言，图遍历算法是 GraphRAG 常用的检索方式，但通常不考虑节点权重或特定信息。在需要路径优化的场景（如个性化复习路径规划）中，就得借助**启发式搜索算法**。其优势在于利用启发式信息提高搜索效率，快速找到目标。规划复习路径时，基于学生对知识点的掌握程度和知识点间的因果效应，寻找收益最大的路径。目标函数由直接收益（掌握当前知识点的增益）和间接收益（对后续知识点的促进增益）组成。通过权重参数 β 平衡两者：β 越接近 0，越看重长远影响，适合基础好的学生；β 接近 1，则优先掌握当前知识点，适合基础薄弱的学生。求解时还需考虑知识点数量、前后依赖关系等约束。

启发式算法泛化能力有限，**基于学习的检索方式**则是它的好搭档。在“题目涉及知识点解析”场景中，可借鉴全局搜索思想，但直接让大模型生成容易受生成质量影响。此时图神经网络（GNN）派上用场。既然已经构建了包含习题、知识点、学生、掌握度等关系的异构图，又有已知的习题到知识点的监督数据，就可以用 GNN 训练模型，预测节点对之间存在某种关系的概率。该模型不仅能用于预测习题和知识点的关联，还可做题目推荐、关系挖掘、标签预测等。

具体到题目解析场景，可采用“GNN-RAG”方式：先用 GNN 获取若干相关度高的知识点，再通过实体识别从题目中提取概念，然后获取知识点到概念的最短路径。该路径能帮你更详细地分析题目涉及的所有知识点，从而生成更全面的解析报告。

GraphRAG 的最后一步是生成，直接面向具体应用输出。总结教育场景的核心产出：

• 学情诊断： 基于学生对知识点的掌握度生成报告，辅助教师调整教学策略。
• 学生学习报告： 综合隐式关系和检索信息，刻画学生学习特征，提供整体建议。
• 个性化学习路径规划： 基于知识状态和因果效应，定制收益最大化的学习路径。
• 学习资源推荐与生成： 确定路径后，可推荐或利用大模型生成相关资源（资源需审核后开放）。

智能客服场景：从固定流程到动态推理

教育场景中软硬件众多，运行中难免出现故障，需要客服协助定位解决。智能客服的应用流程如下：用户先与虚拟坐席沟通，解决不了再转人工。该场景面临几个核心难题：

• 客服更像工程师，需通过多轮对话获取上下文，理解用户意图并进行故障推理，过程复杂。
• 对话中涉及不同设备型号、配置、物料等信息，需动态分析何时获取何种数据来补充上下文。
• 用户会发送图片，客服有时也需发图片解释操作步骤，因此**何时发送以及发送什么图片**是关键决策点。
• 客服场景直接面向用户，准确率要求极高，而大模型存在幻觉问题，如何平衡两者是重中之重。

该场景的图结构非常特殊——**贝叶斯网络**。它是一种概率图模型，通过有向无环图表示变量之间的条件依赖关系。每个节点都有一张条件概率表（CPT）。例如节点 E 的父节点是 C 和 D，CPT 中记录了 C 和 D 取不同值时 E 的概率分布。基于这种概率分布，运用贝叶斯定律，可根据已知变量的观测值对其他变量进行概率预测。

具体应用分为构建和推理两部分。构建时，数据主要来源于工程师构建的故障树（标准排查流程 SOP）以及人工客服的历史对话。构建过程需确定变量、变量取值和变量间的依赖关系。例如黑屏故障，客服会让用户先排查指示灯状态，再据此决定重启还是复位。我们把每一通对话看作一组观测数据，基于大量数据用极大似然估计确定 CPT 中的参数。

推理阶段，从已知变量出发，计算所有未知变量的概率。已知变量可以多个，并且随着排查推进不断增多，相关路径上的变量概率分布也会持续更新，最终定位到具体故障点。实际场景中节点数量可能庞大，因此需要对图做**剪枝**。例如用户确定了“无法开机”这一现象，则只对该现象下的子节点进行推理，与现象无关的节点（如 A 与 D 无关）则忽略。

明确了底层图结构，我们来看整体架构。左侧红框中，基于贝叶斯推理，通过与用户的多轮对话逐步推理下一步排查步骤。在此之前，执行“Node mapping”操作，将对话中的关键信息映射到贝叶斯网的节点上。同时，为增强大模型对标准排查流程的遵循能力，会召回历史相似对话和 FAQ 标准问答对作为知识补充。

这些召回和推理操作都依赖多轮对话，但多轮对话容易存在碎片化和信息冗余问题。因此需要对对话信息进行**改写**，提取关键信息，去除冗余，将分散的语义整合成完整连贯的查询语句。这样再去知识库检索，结果会更准。

再看右侧红框。鉴于故障排查与具体的设备型号、版本信息紧密相关，我们需要通过“Tool learning”的方式，让大模型自主学习何时调用以及调用什么接口来获取业务信息。这需要先进行数据微调，在微调数据集里调用接口的地方打上标签，使大模型知道何时该调用接口。实际预测时，通过这些标签从上下文中提取参数，请求接口，最后将返回结果给大模型用于生成回复。

关于图片回复，同样通过 Tool learning 添加标签，让模型知道何时需要返回图片给用户。除了确定何时回复，还要确定**回复什么图片**。做法是对历史对话中的图片进行聚类，保留常用图片。基于这些图片的上下文信息，提取关键信息，构建原始图文对。然后采用对比学习的方法，将图片和文本映射到同一向量空间，计算相似度，学习它们之间的语义关系。

最后，为缓解大模型的幻觉问题，主要采用两种方式：一是通过 RAG 和微调让模型学到更多上下文知识；二是基于**置信度检测**。若置信度低，则重新推理或转人工。置信度检测融合了两种方法：通过模型输出的 logit 计算信息熵，熵越高置信度越低；多次采样模型输出，评估结果的多样性，多样性越低（结果高度一致），置信度越高。

未来工作方向

回顾这两个场景，最后谈谈几个值得投入的方向。

首先是**Agentic GraphRAG**。传统 GraphRAG 是固定的单次检索与生成，而 Agentic GraphRAG 强调多轮交互、动态决策和自适应推理。教育场景中的许多应用目前通过硬编码编排的 pipeline 实现，对复杂多变的场景存在局限。而客服场景已具备多轮交互和动态推理，并引入了 Tool learning，这为我们构建更通用的 Agentic GraphRAG 奠定了基础。

其次，大部分数据会动态变更，如何保证知识更新时模型的泛化能力和准确率，是一个重要课题。

多模态方面，目前覆盖尚不全面，视频、音频场景尚未深入，图片场景也有很大提升空间。

最后，是对更多场景的探索。我们希望基于故障数据，反向优化产品设计，构建从产品到故障，再到产品设计的完整闭环。

问答环节

Q1：如果不采用 GraphRAG，直接用贝叶斯网络或传统知识图谱，能达到同样的效果吗？

A1：贝叶斯网络和传统知识图谱能解决部分问题，但无法覆盖 GraphRAG 的全部。GraphRAG 的独特价值在于将图结构的关系推理与 LLM 的文本生成结合，使系统能进行深度关系推理，同时利用 LLM 将结构化知识转化为自然语言，实现上下文感知的检索与总结。

Q2：GraphRAG 跟传统知识图谱关联大吗？现在有些框架（如微软 GraphRAG）有“不再抽取实体，直接对文本块检索增强”的趋势，这种趋势对吗？还值得投入精力在图谱设计上吗？

A2：GraphRAG 与传统知识图谱既有继承也有创新。它保留了图结构作为组织方式，但更注重动态知识整合。至于“不抽取实体”的趋势，需要分场景看。在文档场景中，块检索更高效、成本更低；但在关系密集型场景（如需要精确推理和可解释性时），实体抽取和结构化表示的优势依然明显。例如学生的做题记录、知识点间的关系，就不能用 chunk 方式处理。理想方案是**混合架构**，根据数据和需求灵活选择。

Q3：分享中提到 GNN 和多模态，GraphRAG 未来还有哪些技术点值得关注？

A3：我所分享的是广义的 GraphRAG，涉及图的多个技术维度。例如时序图学习，可捕捉知识的动态演变，尤其适合不断更新的知识库；可解释性图检索，通过图谱增强思维链，提高检索过程的透明度，提供决策证据链。只要是能推动实际应用落地的图技术，都值得探索。

Q4：什么样的任务适合 GraphRAG？哪些不适合？有哪些坑要注意？

A4：首先要看底层数据，判断数据是否适合构建成图结构。多跳的复杂推理、涉及实体复杂关联的查询，这些就很适合。反之，简单的事实查询，或数据高度独立、关系稀疏的场景，就不太适合。实际实施中，图结构的定义、知识的更新、效果的评估，都是容易出错的环节。此外，GraphRAG 成本较高，最好先用小部分数据快速验证，看在该场景下是否好用。不好使，就得及时调整思路。

来源：互联网