GraphRAGGraph-based RAG

是什么

GraphRAG的构建分为两步。首先利用大语言模型从语料中抽取实体和关系构建知识图谱。接着使用社区检测算法对图谱进行分层聚类，并为每层社区生成摘要。

查询时，系统按问题类型选择策略。局部问题在实体邻域内检索，全局问题则利用社区摘要汇总回答。此机制擅长处理文档主题等全局性归纳问题与多跳关系问题。

该方案代价较高。建图需消耗大量大语言模型调用，且增量更新困难，图谱与社区摘要往往需要重算，最终效果也依赖抽取准确率。

解决什么问题

常规的向量检索依赖文本的语义相似度，通常只能召回局部的相似文本片段。当遇到需要跨越多个文档进行信息聚合，或者需要进行多步关系推理的问题时，向量检索无法提供完整的上下文。

GraphRAG通过图结构和社区摘要补上了这一短板，使系统能够跨文档理解全局信息，回答需要宏观归纳或复杂关联推理的问题。

面试怎么考

面试常考传统RAG的局限及GraphRAG的应对机制。答题时需对比说明向量检索缺乏全局视野的缺陷，并陈述GraphRAG如何通过社区摘要实现跨文档归纳。

另一常见考法是评估落地难点与适用场景。需指出主要障碍是实体抽取的高成本与图谱增量更新困难，说明其适合需要全局概括且更新频率低的场景。

又称：GraphRAG · 图检索增强 · 知识图谱 RAG