01 详细解释
传统 RAG 擅长找「和这句话相似的片段」,但回答「A 和 B 之间隔着几层关系」「这批文档总共讲了哪几件事」这类全局问题时就吃力。GraphRAG 先用模型把实体、关系、社区摘要抽出来建图,查询时沿图结构取子图或社区摘要,再让模型作答。
代价是建图很贵:文档一更新就要重新抽取,实体消歧、关系质量都会影响结果。所以它适合稳定、需要全局视角的资料库,不适合天天变的工单。
传统 RAG 擅长找「和这句话相似的片段」,但回答「A 和 B 之间隔着几层关系」「这批文档总共讲了哪几件事」这类全局问题时就吃力。GraphRAG 先用模型把实体、关系、社区摘要抽出来建图,查询时沿图结构取子图或社区摘要,再让模型作答。
代价是建图很贵:文档一更新就要重新抽取,实体消歧、关系质量都会影响结果。所以它适合稳定、需要全局视角的资料库,不适合天天变的工单。
问「这几份年报里反复出现的共同风险是什么」,靠社区摘要比逐段相似度更靠谱。
先用向量检索打底,只有出现明确的多跳或全局问题再上图结构,别一上来就建图。
答得准不准,八成功夫不在模型,而在切片、召回、重排与引用。这条链路任何一环偷懒,都会变成「检索到了但答非所问」。
下面这些站点来自 AI 导航(nav.ppv9.com)的同一份工具清单,按本词条的相关度挑选。