GraphRAGvsVector Database

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。

Vector Database

Vector Database 专门用于存储 Embedding 向量并支持高效的相似度搜索。Pinecone、Weaviate、Milvus 是最流行的向量数据库，也有 pgvector 等传统数据库的向量扩展。

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

Vector Database

• RAG 系统的核心存储组件
• 支持 ANN（近似最近邻）高效检索
• 专用 vs 扩展：Pinecone vs pgvector 各有优劣

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

Vector Database

专门用于存储高维向量数据并支持高效相似度检索的数据库系统

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

Vector Database

• RAG 系统的向量存储和检索
• 大规模语义搜索服务
• 推荐系统的特征存储

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。

Vector Database

Vector Database 是 RAG 和语义搜索的基础设施，专门优化了高维向量的存储和相似度检索。核心技术是 ANN（Approximate Nearest Neighbor）算法，如 HNSW 和 IVF，能在毫秒级完成百万级向量的相似度搜索。市场上有两类方案：专用向量数据库（Pinecone、Weaviate、Milvus、Qdrant）和传统数据库的向量扩展（pgvector、SQLite-vec）。选择取决于规模和复杂度——小规模用 pgvector 就够，大规模需要专用方案。