GraphRAG

在向量检索之外,先把文档里的实体与关系抽成知识图谱再检索。

又称 知识图谱增强检索 图检索

本词条最后核验 2026-11-21 · 由本站编辑整理,欢迎指正

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。

✦举个例子

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。

✓实战提示

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。

02 什么时候会碰到它
要让模型按你的资料回答时

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」。

03 和这几个词怎么区分
04 接着读这几篇
05 用得到的工具

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。

小7分享网 · 聚焦 AI 的实用博客

每天一篇,跟进 AI 行业动态、实测新工具、拆解实战教程。不堆术语,不炒概念,只写真正用得上的内容。

浏览全部文章关于本站

欢迎回来

登录 小7分享网,继续你的精彩

还没有账号?立即注册

忘记密码 ?

创建账号

注册后即可体验完整功能

已有账号?直接登录

我们将发送一封验证邮件至你的邮箱, 请正确填写以完成账号注册和激活