什么时候该用 GraphRAG，而不是普通向量 RAG？

先这样答

当问题需要多跳关系推理，或需要总结文档整体趋势时，我会优先考虑 GraphRAG，而不是普通向量 RAG。因为这类问题不只要求找到相似片段，还要求沿着实体和关系继续推理，或者观察文档的全局信息。

例如，问题是“A 的供应商有哪些资质”，回答需要从 A 找到供应商，再查供应商的资质。这是多跳关系推理。普通向量 RAG 往往先检索一段，再根据结果继续检索。每一跳都可能猜错，后面的结果也会跟着偏。GraphRAG 用图谱表达实体和关系，更适合处理这类路径。

如果问题只是“退款政策是什么”，用户要的是一个单点事实，普通向量 RAG 就够用。GraphRAG 也能回答，但要先承担图谱构建和维护的成本。构建时要做实体抽取和实体消歧。数据增量时，还要处理实体对齐。我的判断标准是：先看多跳问题和全局性问题的占比。占比高，图谱的成本才更值得投入；占比低，就优先使用普通向量 RAG。

面试官会怎么追问

• 「如果只是多跳问题，为什么不能让向量 RAG 多检索几次？」 可以多检索几次，但每一跳都在根据当前结果猜下一步。前一步召回或判断出错，后面就会继续偏。GraphRAG 把实体和关系放进图谱，问题可以沿关系查找。是否采用，还要看多跳问题的占比是否足以覆盖构建和维护成本。

• 「什么情况下普通向量 RAG 更合适？」 当问题主要是单点事实查询时，普通向量 RAG 更合适。比如查询退款政策，通常只需要找到相关内容，不需要沿多个实体关系推理。此时引入图谱会增加实体抽取、实体消歧和维护工作，但问题本身并不需要这些能力。

• 「GraphRAG 的成本主要在哪里？」 成本首先在图谱构建，包括实体抽取和实体消歧。数据发生增量后，还要处理实体对齐。还要持续维护图谱，所以我不会因为问题看起来复杂，就默认使用 GraphRAG。

回答的坑

• 看到“多跳”就直接上 GraphRAG，忽略了这类问题在实际请求中的占比。
• 只比较检索效果，不计算实体抽取、消歧、实体对齐和后续维护的成本。