什么是 GraphRAG？比普通 RAG 更懂关系的检索增强

什么是 GraphRAG

GraphRAG（Graph-based RAG）指在检索增强生成中引入知识图谱结构：把文档中的实体（人、公司、产品）与关系（收购、隶属于、合作）抽取成图，检索时沿着关系链路找答案。

普通 RAG 的局限

普通 RAG 按语义相似度检索片段，适合"哪段文字有答案"型问题；但遇到"谁收购了 A 公司的竞争对手"这类需要跨多段、多跳推理的问题，往往检索不到完整证据。

GraphRAG 怎么解决

抽取实体关系：把文档转成实体-关系图。
图检索：先定位相关实体，再沿关系扩展找关联答案。
全局问答：可回答"整体模式"类问题（如"文档里反复出现的主题是什么"）。

典型应用

企业知识库：多文档交叉的复杂咨询。
行业研究：公司、投资、供应链关系查询。
法规合规：跨条款关联分析。

落地建议

数据规模适中优先：图构建有成本，小库不必上。
先准后全：先用普通 RAG 跑通，再针对多跳问题升级 GraphRAG。
维护更新：图谱需随文档增量更新。

总结

GraphRAG 让 AI 从"找相似段落"进化到"理解关系网络"：把文档变成知识图谱，擅长回答多跳关系问题。对关系密集型知识库价值显著，但构建成本更高——按问题类型选择普通 RAG 或 GraphRAG，是务实的落地方式。