GraphRAG 一种将知识图谱与检索增强生成相结合的高级 RAG 架构

这是一个非常重要且强大的 RAG 进阶技术，它通过引入知识图谱来解决传统向量检索RAG的局限性。

什么是 GraphRAG？

GraphRAG 是一种将知识图谱与检索增强生成相结合的高级 RAG 架构。它的核心思想不是将文档简单地切分成孤立的文本块，而是从整个文档集中提取出实体、概念以及它们之间的复杂关系，构建一个结构化的、全局的知识图谱。在回答问题时，系统从这个图谱中检索相关的子图作为上下文，提供给 LLM 生成答案。

简单来说：

• 传统 RAG：检索与问题最相似的几段文本。
• GraphRAG：检索与问题最相关的一组相互关联的事实和概念。

---

为什么需要 GraphRAG？传统 RAG 的局限性

传统 RAG 在某些场景下表现不佳：

1. “大海捞针”问题：当答案所需的信息分散在多个文档或一个长文档的不同部分时，简单的向量相似度检索可能无法一次性找回所有关键片段。
2. 多跳推理问题：对于需要连接多个事实才能回答的复杂问题，传统 RAG 缺乏对实体关系的显式建模。
   • 示例问题：“去年获得‘最佳创新奖’的公司的 CEO 最近发表了什么言论？”
   • 传统 RAG：可能分别检索到“A公司获奖”和“某CEO言论”的片段，但很难自动建立连接。
   • GraphRAG：知识图谱中明确存储了 (A公司)-[获得]->(最佳创新奖) 和 (某人)-[是...CEO]->(A公司) 以及