一句话定义
Graph RAG 是在 RAG 里加入知识图谱：先把文档抽成实体和关系，查询时同时做图遍历和向量检索，把关系路径与证据片段一起交给模型。
为什么需要它
向量检索擅长找“相似片段”，但不擅长多跳关系（A 的供应商的母公司）和全局总结（整个文档集的主题）。图结构能显式表达实体、关系和社区，补上这部分能力。
怎么工作
- 构图：从文档抽取实体、关系、属性，必要时做实体消歧和社区聚类。
- 检索：用向量找入口实体/片段，再沿图扩展邻居、路径或社区摘要。
- 组装：把路径、片段、来源一起放进上下文。
- 生成：模型基于图证据回答，并尽量给出引用。
构图通常用规则 + 模型抽取实体/关系，再做实体消歧和社区检测；图数据库负责存储和遍历。评估要看路径命中率、图覆盖率和答案忠实度，构图错误会级联到回答。小数据、简单事实问答不一定划算，先用向量 RAG 做 baseline。图不是越大越好，先小规模验证。
关键取舍
- 多跳/全局问题收益明显，简单事实问答未必比向量 RAG 好。
- 构图和更新成本高；实体抽取错误会污染整张图。
- 图规模大时，遍历和摘要都要控制预算。
- 通常和向量检索混合，而不是完全替代。
常见误区
- Graph RAG 一定优于向量 RAG：取决于问题类型。
- 图建好就一劳永逸：文档更新要增量维护实体和关系。
- 图越大越好：噪声、成本和延迟都会上升。
- 有图就不需要引用：图证据同样要能追溯到原文。
用在哪里
- 企业知识图谱、供应链/股权/组织关系。
- 多跳问答、全局总结、实体网络分析。
- 需要关系推理和可解释路径的场景。
相关概念
- RAG：Graph RAG 的上层流程。
- Vector Database：提供入口实体和片段召回。
- Reranker：对图路径和片段一起精排。