Fast GraphRAG 用 PageRank 替代 LLM 摘要，将图 RAG 成本降低 6 倍

检索增强生成从文档中回答问题，但涉及多个事实串联的问题会让普通检索难以应对。2024 年兴起的一种基于图的方案——把实体及关系建成索引，让关联的事实可以被触及——虽然强大，但建立索引和回答问题时都重度依赖 LLM，成本很高。Circlemind 的开源 Fast GraphRAG 采用同样的图思路，却砍掉了查询中成本最高的部分：不再花更多模型调用去总结图里的内容，而是用一个上世纪 90 年代的算法来遍历图。

Fast GraphRAG 把知识存成实体图，这个图人可以浏览、可以查询、可以更新；随着数据变化，图会逐步修订，而不是全部重建。查询时，它运行个性化 PageRank——就是网页搜索背后的排名传播算法——先用语义检索找到种子节点，然后算法沿图扩展，找出与问题最相关的部分。项目的 README 算了一笔账：《绿野仙踪》的同一项任务，用 Fast GraphRAG 只需 0.08 美元，而 GraphRAG 要 0.48 美元——成本相差六倍，而且随着数据量和插入次数增加，差距会更大。

这个做法并非闭门造车：README 里提到了 HippoRAG 论文，该论文发表在 NeurIPS 2024 上，显示将 LLM、知识图谱和个性化 PageRank 结合，可以在多跳问题上匹敌甚至击败迭代式 LLM 检索，同时成本降低 10 到 30 倍，速度提升 6 到 13 倍。Fast GraphRAG 的特别之处在于，它把这项研究成果做成了一个即调即用的库——带类型、支持异步、MIT 许可——免去了构建和维护代理式工作流的复杂性，这正是 README 宣称为“敌人”的开销。

用 PageRank 替代 LLM 摘要，在查询时运行

个性化 PageRank 是确定性的，运行成本几乎为零，所以一个图算法就替代了竞品在查询时要付的多次 LLM 调用。

图本身仍然是事实来源——人可以浏览、可以调试——所以答案仍然可解释，而不是来自不透明的模型调用。

增量式图更新让索引保持最新，无需完整重建，降低了保持知识新鲜的成本。

这个设计依据的是同行评审的证据：单步 PageRank 检索能以极低的成本达到迭代式 LLM 检索的效果，所以团队赌的是已发表的研究，不是民间传说。

MIT 许可证外加每月 100 次免费请求的托管服务，让开发者不需要申请或先期投入就能采用这个库。

当对手的优势来自昂贵的按次 LLM 调用时，找一个便宜的确定性算法也能做好的环节——把模型留给需要判断力的地方，其余交给数学。

2024 年 11 月，Show HN 帖子——“用经典的 PageRank 实现更好的 RAG”——获得了 457 分和 119 条评论，维护者在帖子中谈到计划脱离 HippoRAG，引入加权边和负 PageRank。此后，该仓库在保持 MIT 许可的同时，已增长到约 3.9k 星和 250 个 fork；Circlemind 还提供带免费额度的托管版本。这个案例成为了一种更广思路的模板：当一项更新的、更贵的技术在质量上胜出时，制胜的一步往往是找出其中哪个部分可以用廉价的经典算法来完成。