GraphRAGvsRAG

GraphRAG

GraphRAG 将传统 RAG 的向量检索升级为知识图谱检索，能回答需要跨文档关联推理的复杂问题。微软在 2024 年开源的 GraphRAG 项目引发了广泛关注。

RAG

RAG 是当前最实用的 LLM 增强技术：先从知识库中检索相关文档，再将检索结果作为上下文喂给 LLM 生成回答。这大幅减少了幻觉问题，让 AI 的回答有据可查。

GraphRAG

• 解决传统 RAG 无法处理的多跳推理问题
• 用知识图谱建模实体间的关系
• 微软开源项目，社区活跃

RAG

• 解决 LLM 幻觉问题的最实用方案
• 不需要微调模型，知识库更新即时生效
• 核心流程：索引 → 检索 → 生成

GraphRAG

通过知识图谱增强检索能力以支持多跳推理和全局摘要的 RAG 架构升级

RAG

通过先检索外部知识库中的相关信息再将其作为上下文输入大语言模型来生成更准确回答的技术架构

GraphRAG

• 需要跨文档关联推理的复杂问答
• 企业知识管理和关系分析
• 学术文献的关联检索

RAG

• 企业知识库问答系统
• 文档智能搜索和摘要
• 客服机器人的知识增强

GraphRAG

传统 RAG 基于向量相似度检索，擅长回答「什么是 X」但难以回答「X 和 Y 有什么关系」。GraphRAG 通过构建知识图谱来建模实体间的关系，支持多跳推理和全局摘要。微软的 GraphRAG 方案使用 LLM 自动从文档中提取实体和关系，构建社区层级的知识图谱，然后在检索时同时利用向量搜索和图遍历。GraphRAG 的挑战在于图谱构建成本高、维护复杂，且对于简单问题可能过度设计。

RAG

RAG 由 Meta 在 2020 年提出，已成为企业 AI 应用的标准架构。核心流程是：将文档切分为 chunk → 用 Embedding 模型转为向量 → 存入向量数据库 → 用户提问时检索相关 chunk → 将 chunk 作为上下文喂给 LLM 生成回答。RAG 的优势在于不需要微调模型、知识可实时更新、回答可溯源。挑战包括：检索质量直接影响生成质量、chunk 切分策略影响召回率、以及多跳推理场景下的检索不足。