LazyGraphRAG

AI TOOL PROFILE工具资料

不做预先摘要、索引成本与向量 RAG 相同的图谱增强检索增强生成方法

官网地址 https://www.microsoft.com/en-us/research/blog/lazygraphrag-setting-a-new-stan…

大模型与开发平台 AI 机器学习自然语言处理数据索引查询优化

访问官网

价格官网未标价

平台—

归类大模型与开发平台

收录2026-10-12

复核2026-10-12

编辑评分 4.3 / 5

LazyGraphRAG编辑总结

EDITOR REVIEW编辑评测

LazyGraphRAG 是微软研究院 GraphRAG 项目推出的图谱增强型检索增强生成新方法，核心特点是无需对源数据做预先摘要，从而避免高昂的前期索引成本。它的数据索引成本与向量 RAG 相同，仅为完整 GraphRAG 的 0.1%。在与向量 RAG 相当的查询成本下，它在局部查询上胜过包括长上下文向量 RAG 与 GraphRAG DRIFT 搜索在内的所有对比方法；同一配置在全局查询上质量接近 GraphRAG 全局搜索，查询成本却低 700 多倍。当前短板是官方尚未公开具体定价与免费额度，且技术已并入 Microsoft Discovery 与 Azure Local 服务公测。

LazyGraphRAG是什么？

LazyGraphRAG 由微软研究院的 GraphRAG 项目提出，目标是扩大 AI 系统基于私有数据集回答问题的范围。相比只能做局部相似匹配的向量 RAG，图谱增强的 GraphRAG 能回答覆盖整个数据集的全局型问题，例如「数据的主要主题是什么」。LazyGraphRAG 是一种截然不同的图谱增强 RAG 方法，它不需要对源数据进行预先摘要，因此避免了部分用户和场景难以承受的前期索引成本。

它的设计思路是把向量 RAG 与 Graph RAG 的优点结合起来：以「最佳优先」方式按查询相似度选取文本片段，又以「广度优先」方式利用源文本实体的社区结构保证全局覆盖面，并以迭代加深的方式交替进行，同时「惰性」地推迟大语言模型的使用，从而显著提高答案生成效率。整体性能可通过一个主参数「相关性测试预算」来调节，以一致的方式控制成本与质量的权衡。

对不同用户而言，它的用法各有侧重：追求低成本的普通用户与团队可用它替代完整 GraphRAG 的全局搜索，在查询成本大幅下降的同时获得接近的全局答案质量；开发者可以按相关性测试预算这一参数调优成本与质量；关注落地的组织则可留意它已集成进微软的科研智能体平台 Microsoft Discovery 与 Azure Local 服务的公开预览。

LazyGraphRAG核心功能

CAPABILITIES工具标签

免预先摘要索引

不需要对源数据进行预先摘要，直接在图谱上做检索增强生成，避免了完整 GraphRAG 那样高昂的前期索引成本，让预算有限的场景也能用上图谱检索。

索引成本与向量 RAG 持平

数据索引成本与向量 RAG 完全相同，仅为完整 GraphRAG 索引成本的 0.1%，适合对建库开销敏感、数据量又大的私有数据集场景。

局部查询优于对比方法

在与向量 RAG 相当的查询成本下，局部查询表现超过所有对比方法，包括长上下文向量 RAG、GraphRAG DRIFT 搜索和 GraphRAG 局部搜索。

全局查询质量接近且更省

同一配置在全局查询上答案质量接近 GraphRAG 全局搜索，而查询成本低 700 多倍，适合需要扫全量数据主题归纳的场景。

低成本兼顾两类查询

在 GraphRAG 全局搜索 4% 的查询成本下，局部与全局两类查询都明显优于所有对比方法，包括 C2 层级的 GraphRAG 全局搜索。

最佳优先与广度优先融合

以迭代加深方式交替结合最佳优先与广度优先搜索：按相似度选取文本片段，同时利用社区结构保证全局覆盖面，兼顾局部与全局查询。

LazyGraphRAG值不值得用？

VERDICT工具标签

当你需要在一个私有数据集上做全局型提问，比如总结主要主题、梳理对某议题的重要影响，又不想承担完整 GraphRAG 的前期索引开销时，LazyGraphRAG 值得优先考虑：它的索引成本与向量 RAG 相同，只有完整 GraphRAG 的 0.1%，全局查询成本更是低 700 多倍。当你只做「谁、什么、何时、何地」这类局部问答时，普通向量 RAG 已经够用，未必需要图谱方法。若你已经在用完整 GraphRAG 的全局搜索且预算充足，切换的动力主要来自成本。需要注意，官方未公开具体价格与免费额度。

建议选它的情况

私有数据集上要做全局主题总结，又不想付完整 GraphRAG 的前期索引成本
查询预算有限但仍需要图谱增强检索的团队
同时存在局部与全局两类查询、希望用一套配置覆盖的场景

不建议选它的情况

只做「谁、什么、何时、何地」式局部问答，普通向量 RAG 已能满足
需要官方公开定价与免费额度再做选型决策
已在用完整 GraphRAG 全局搜索且对成本不敏感

LazyGraphRAG使用建议

HOW TO USE工具标签

入门先把路子走对

先明确查询类型先判断你要问的是覆盖全数据集的全局问题，还是答案就在某段文字里的局部问题。全局问题才最能体现这类图谱方法的优势。
从相关性测试预算入手它只有一个主参数——相关性测试预算，先按默认值跑通，再按实际成本与质量表现调这一个旋钮，不用同时改多个配置。

进阶省时间也省钱

拿向量 RAG 做成本基线它的索引成本与向量 RAG 相同，可以先用现有的向量 RAG 成本作为基线来估算，再对比全局查询能省下多少。
关注已集成的平台微软已在 Microsoft Discovery 科研智能体平台与 Azure Local 服务的公开预览中集成该技术，需要落地部署的可优先看这两条通道。

LazyGraphRAG适合谁用？

WHO IS IT FOR工具标签

中小企业数据团队

做全局主题分析的团队

只做局部问答的用户

有条件

如果日常只是「谁、什么、何时、何地」这类局部查询，普通向量 RAG 已经够用，未必需要引入图谱检索的额外复杂度。

采购前需明确报价的买家

有条件

需要在采购流程里先拿到明确报价的买家，暂时难以据此做成本决策。

LazyGraphRAG优点和缺点

PROS & CONS工具标签

优点

数据索引成本与向量 RAG 相同，仅为完整 GraphRAG 的 0.1%
与向量 RAG 相当的查询成本下，局部查询超过所有对比方法
全局查询质量接近 GraphRAG 全局搜索，查询成本低 700 多倍
GraphRAG 全局搜索 4% 的查询成本即可在两类查询上胜出
仅靠相关性测试预算一个参数调节成本与质量

缺点

对只做局部问答的场景，相比向量 RAG 未必划算
需要理解图谱社区结构等概念，上手门槛高于纯向量 RAG

LazyGraphRAG常见问题

FAQ工具标签

LazyGraphRAG 和普通向量 RAG 比，省在哪里？

省在全局查询的成本。向量 RAG 是「最佳优先」搜索，按与查询的相似度挑最匹配的文本片段，但它对数据集整体广度没有感知，回答不了「数据的主要主题是什么」这类问题。LazyGraphRAG 结合了广度优先的社区结构，在全局查询上质量接近 GraphRAG 全局搜索，查询成本却低 700 多倍，同时索引成本与向量 RAG 相同。

它的索引和查询成本到底比完整 GraphRAG 低多少？

数据索引成本与向量 RAG 完全相同，是完整 GraphRAG 索引成本的 0.1%。查询侧，同一配置在全局查询上质量接近 GraphRAG 全局搜索，但查询成本低 700 多倍；在 GraphRAG 全局搜索 4% 的查询成本下，局部与全局两类查询都明显优于包括 C2 层级全局搜索在内的所有对比方法。

它和 GraphRAG 是什么关系，是不是一回事？

不是一回事。LazyGraphRAG 是微软研究院 GraphRAG 项目提出的另一种方法，最大区别是无需对源数据做预先摘要，因此避免了完整 GraphRAG 那笔可能高得离谱的前期索引成本。它更像是在向量 RAG 与 GraphRAG 之间找平衡：既保留图谱带来的全局回答能力，又把成本压到接近向量 RAG 的水平。

成本和质量怎么调？

主要靠一个参数——相关性测试预算，它控制成本与质量之间的权衡。这一机制会「惰性」地推迟大语言模型的使用，通过迭代加深的方式交替进行最佳优先和广度优先搜索，从而提高答案生成效率。实际调优时按你的预算先设一个值跑通，再根据需要放松或收紧。

继续浏览大模型与开发平台

返回分类目录