考察点:对向量 RAG 能力边界的理解,以及图结构增强方案的选型判断力。
要点:GraphRAG(Graph-based Retrieval-Augmented Generation)是一类把图结构用于检索增强的方案:把文档中的实体、关系和结构化上下文显式建模,查询时沿图关系收集证据,再交给大模型生成答案。传统向量 RAG 检索的是 Chunk(文本片段),GraphRAG 检索的是节点、边、路径、社区摘要。类比一下:向量 RAG 像在图书馆按语义找几页相似内容;GraphRAG 像先整理出人物关系图、事件时间线和主题目录,再沿关系线索找证据。
向量 RAG 的三类局限
系统 -> 负责人 -> 复盘 -> 链路 完成四次受约束的跳转。“A 系统说明”和“支付故障复盘”都可能被召回,但 Top-K 本身不会告诉检索器该沿哪条路径补齐证据。核心概念:知识图谱(节点/边/属性)、实体(最小业务对象,抽取质量直接决定上限,建议用 JSON Schema 强约束格式、Few-shot 覆盖正反例、限制最大实体数、强制带 source_text_span 便于溯源)、关系(把“依赖/影响/导致”显式化,是处理多跳问题的关键)、社区发现(用 Leiden/Louvain 等划分层级社区并生成摘要)、全局检索 vs 局部检索(Local Search 从已知实体向邻居扩展;Global Search 用社区摘要做 Map-Reduce 归纳主题;DRIFT Search 在实体邻居之外加入社区摘要)。
什么场景不该上 GraphRAG
判断顺序:相关文本没进入候选集 → 先排查解析、切分和召回;候选文本已齐全但系统无法按业务关系连起来 → 再验证 GraphRAG。落地建议走“向量 RAG 基线 → 收集关系型失败案例 → 轻量图谱 → 社区发现与全局检索 → 按需 Hybrid 路由”。
题目与答案就在本页;收藏、批注和错题重练在应用内