Fast GraphRAG 以 PageRank 取代 LLM 摘要，讓圖譜 RAG 成本降低六倍

檢索增強生成能依據文件回答問題，但當問題需要串連多項事實時，單純的檢索便會吃力；2024 年流行的圖譜式解法——索引實體及其關係，讓相連的事實可被觸及——雖然強大，卻在索引與回答時付出大量 LLM 使用成本。Circlemind 的開源專案 Fast GraphRAG 沿用同樣的圖譜概念，但移除了查詢中昂貴的部分：它不再花費更多模型呼叫來摘要圖譜內容，而是讓一個 1990 年代的演算法在圖譜上遊走。

Fast GraphRAG 將知識儲存為實體圖譜，可讓人類瀏覽、查詢與更新，並隨資料演進逐步修訂，而非重建。查詢時，它以語意檢索為種子執行個人化 PageRank——即網頁搜尋背後的排名傳播機制——讓演算法探索圖譜，找出與問題最相關的部分。README 標出了成本差異：對《綠野仙蹤》執行同樣的工作，Fast GraphRAG 花費 0.08 美元，GraphRAG 則為 0.48 美元，節省六倍，且隨資料量與插入次數增加而擴大。

這一步並非憑空發明：README 引用了發表於 NeurIPS 2024 的 HippoRAG 論文，該論文顯示結合 LLM、知識圖譜與個人化 PageRank，在多跳問題上可匹敵甚至超越迭代式 LLM 檢索，同時成本低 10 至 30 倍、速度快 6 至 13 倍。Fast GraphRAG 的巧思在於將這項研究包裝成可提示的函式庫——具型別、非同步、MIT 授權——免除建置與維護代理式工作流程的複雜度，而這正是 README 明言要對抗的額外負擔。

在查詢時以 PageRank 取代 LLM 摘要

個人化 PageRank 具確定性且執行幾乎零成本，因此一個圖譜演算法便取代了競爭對手在查詢時付出的多次 LLM 呼叫。

圖譜本身仍是事實來源——可讓人類瀏覽與除錯——因此答案保持可解釋，而非源自不透明的模型呼叫。

增量式圖譜更新讓索引保持最新，無須完整重建，降低維持知識新鮮度的成本。

此設計立基於同儕審查的證據：單步 PageRank 檢索能以極低成本匹敵迭代式 LLM 檢索，因此團隊押注的是已發表的研究結果，而非道聽途說。

MIT 授權加上每月 100 次免費請求的託管服務，讓開發者無須取得許可或預先付費即可採用此函式庫。

當競爭對手的優勢來自昂貴的每次使用 LLM 呼叫時，找出哪一個步驟可由廉價的確定性演算法同樣勝任——把模型留在需要判斷的地方，其餘交給數學。

2024 年 11 月，Show HN 貼文「Better RAG using good old PageRank」獲得 457 分與 119 則留言，維護者在討論串中說明計畫偏離 HippoRAG，走向加權邊與負 PageRank。該儲存庫其後成長至約 3.9k 星與 250 次分支，並維持 MIT 授權，Circlemind 則販售含免費每月額度的託管版本。此案例成為一個更廣泛理念的範本：當較新、較昂貴的技術在品質上勝出時，致勝之舉可能是找出其中哪一部分可由廉價的古典演算法完成。