GraphRAG

GraphRAG 是什么

GraphRAG（图检索增强生成）是检索增强生成（RAG）的进阶形态：它不只把文档切块存向量，而是先用大模型把文档中的实体、关系抽取成知识图谱，回答问题时在图结构上做检索与聚合，再交给大模型生成答案。

与普通 RAG 的差异

• 普通 RAG：文档分块 → 向量化 → 相似度检索 → 拼进提示词。擅长「局部事实问答」，但跨多个文档的关联问题容易漏信息
• GraphRAG：先建图（实体-关系-事件）→ 图检索与社区聚合 → 生成。擅长回答「跨文档综述、关系推断、全局性问题」

核心工作流

1. 文档解析与实体抽取：用 LLM 抽实体、关系、属性
2. 图构建：写入知识图谱（可配合向量库混合存储）
3. 查询路由：简单问题走向量检索，复杂问题走图检索/社区摘要
4. 生成：聚合结果与上下文一并交给 LLM

适用场景

• 企业知识库问答：合同、报告、制度等关系密集的文档集
• 多文档综述：「各家竞品都提到了什么共同观点」
• 事理分析：「这个项目延期涉及哪些关联环节与责任人」

注意事项

GraphRAG 构建成本高于普通 RAG（需要抽取与建图计算），更适合文档规模大、关系复杂、需要全局理解的知识库。轻量场景普通 RAG 已够用，GraphRAG 是关系型问答的进阶方案。