1. 引言#
在传统的 RAG 系统中，检索通常意味着对文本块（Chunks）进行向量相似度搜索。然而，在 GraphRAG 语境下，单纯的文本检索会丢失图的拓扑信息。如何既利用向量的高效性，又保留图的结构性，是检索器设计的核心挑战。
youtu-graphrag 给出的答案是 “多粒度索引” (Multi-Granularity Indexing) 配合 “双路检索” (Dual-Path Retrieval)。系统并未止步于单一的节点索引，而是构建了四套独立的 FAISS 索引，并通过两条并行路径分别召回细节与全貌。
2. 四重索引机制#
DualFAISSRetriever 在初始化阶段会构建四个独立的向量索引文件。这种设计显著增加了存储成本，但也极大地丰富了检索的语义维度。
2.1 索引类型与构建逻辑#
- Node Index (节点索引):
- 内容:
name + description。 - 作用: 传统的实体链接与召回。
- 内容:
- Relation Index (关系索引):
- 内容: 边的类型名称（如
directed_by,located_in）。 - 作用: 捕捉问题中的谓词语义（例如问“导演是谁”，能通过
directed_by快速定位相关边）。
- 内容: 边的类型名称（如
- Triple Index (三元组索引):
- 内容:
HeadNodeText, Relation, TailNodeText组成的完整句子。 - 作用: 这是最细粒度的索引。它将图的最小结构单元（边）文本化，使得检索器能直接匹配完整的语义事实，而不仅仅是单个实体。
- 内容:
- Community Index (社区索引):
- 内容: 社区名称 + 社区摘要。
- 作用: 响应宏观主题查询。
2.2 物理存储#
代码显示，这些索引并非仅存在于内存，而是被持久化到 retriever/faiss_cache_new/{dataset}/ 目录下。除了 .index 文件（FAISS 索引），系统还保存了 .json 映射文件（ID 到文本的映射）和 .pt 文件（PyTorch Tensor 格式的原始 Embedding），以支持后续的重排序计算。
3. 双路检索逻辑 (Dual-Path Logic)#
检索的核心入口是 dual_path_retrieval 方法。它并非简单的线性执行，而是并行触发了两条路径，分别对应不同的检索意图。
3.1 Path 1: 基于三元组的微观检索 (retrieve_via_triples)#
此路径旨在精准定位事实。
- 向量搜索: 首先在
Triple Index中查找 Top-K 相似的三元组。 - 拓扑扩展 (3-Hop Expansion):
这是该模块最激进的设计。在
_process_triple_index方法中，系统不仅返回命中的三元组，还会调用_collect_neighbor_triples，进而触发_get_3hop_neighbors。- 逻辑: 以命中节点为中心，向外进行广度优先搜索（BFS），获取 3 跳范围内的所有邻居节点及其关联的三元组。
- 意图: 试图通过图结构补充上下文，解决向量检索“只见树木不见森林”的问题。
_get_3hop_neighbors 使用队列进行 BFS，且未设置最大邻居数量限制（Limit/Top-K）。如果命中了一个度数极高的“超级节点”（Hub Node），待处理的三元组数量将呈指数级爆炸，可能导致检索延迟从毫秒级飙升至秒级甚至超时。在生产化改造时，此处必须引入基于度中心性的剪枝策略。- 重排序 (Reranking): 扩展后的三元组集合可能包含大量噪声。系统随后调用
_calculate_triple_relevance_scores，计算 Query 与每个三元组文本的余弦相似度，并过滤掉低于阈值（默认 0.1）的结果。
3.2 Path 2: 基于社区的宏观检索 (retrieve_via_communities)#
此路径旨在获取背景知识。
- 向量搜索: 在
Community Index中查找 Top-K 相似的社区。 - 成员展开: 通过
comm_map找到对应的社区 ID，进而检索该社区包含的所有成员实体 (_get_community_nodes)。 - 结果: 返回一组与主题高度相关的节点集合，这些节点可能在微观路径中未被覆盖。
4. 缓存与性能优化#
为了缓解 Embedding 和图遍历带来的计算压力，DualFAISSRetriever 实现了多层缓存：
- FAISS 搜索缓存:
faiss_search_cache记录了 Query Embedding 哈希值对应的搜索结果，应对重复查询。 - 节点 Embedding 缓存:
node_embedding_cache存储了所有节点的向量表示。代码支持从.pt(Torch) 或.npz(Numpy) 加载，这显示了对不同运行环境的兼容性考量。 - GPU 加速: 在
_preload_faiss_indices中，代码检测 CUDA 环境。如果可用，会自动将 CPU 索引转移至 GPU (faiss.index_cpu_to_gpu)，这对大规模向量库的检索速度提升是决定性的。
5. 总结#
DualFAISSRetriever 采用了 “Recall broadly, Filter strictly” (广召回，严过滤) 的设计哲学。
通过同时维护四套索引，它确保了无论是微观实体还是宏观社区都能被向量化；通过 3 跳邻居扩展，它利用图拓扑捕捉了向量空间难以表达的关联性。尽管其激进的扩展策略在稠密图场景下需要工程上的约束与剪枝，但这种索引与拓扑深度耦合的设计，正是 GraphRAG 区别于传统 RAG 的核心竞争力所在。