早上微软的GraphRAG框架发布0.4.0版本。更新了增量更新和DRIFT搜索能力。
更新特性：
增量更新：允许系统在已有知识基础上进行更新，而无需完全重建图谱 DRIFT搜索机制，是一种结合本地与全局搜索的方法。通过整合社区信息，提升了查询的详细性和准确性，能够更好地处理复杂查询。可以让原本的local search，获得更全面的信息响应 GraphRAG 0.4.0经过代码重构，优化了系统架构，使其更易于使用和扩展
其中DRIFT搜索的官方博客在这：https://www.microsoft.com/en-us/research/blog/introducing-drift-search-combining-global-and-local-search-methods-to-improve-quality-and-efficiency/
DRIFT搜索工作流程：
预处理阶段：当用户提交查询时，DRIFT会将其与语义最相关的前K个社区报告进行比对。这一过程会生成一个初始答案和几个后续问题，相当于一个简化版的global search。（类似于使用HyDE来扩展查询，从而提高召回率。然后将查询进行嵌入，与所有社区报告进行匹配，选取最相关的K个报告来尝试回答查询。这样做的目的是利用高层次的抽象信息来指导后续的探索过程。
跟进阶段：在完成预处理后，DRIFT会使用local search的变体来处理每个后续问题。这个过程会产生额外的中间答案和新的跟进问题，形成一个不断优化的循环，直到满足终止条件（目前设置为两轮迭代，未来会研究使用奖励函数来指导终止决策）。这个阶段代表了一个基于全局信息的查询优化过程。即使初始查询与索引模式有所偏差，DRIFT也能利用全局数据结构在知识图谱中定位到具体的相关信息。这种跟进机制使DRIFT能够根据新出现的信息动态调整其搜索策略。
输出层级：最终输出是一个按照与原始查询相关性排序的问答层级结构。这个层级结构可以根据具体用户需求进行定制。在基准测试中，采用了一个简单的映射归约方法来整合所有中间答案，每个答案的权重相同。
最终评测：
在全面性方面，DRIFT 搜索有 78%的时间优于局部搜索。 在多样性方面，DRIFT 搜索算法有 81%的时间优于局部搜索算法。
