GraphRAG 是什么？它比普通 RAG 强在哪、贵在哪

先这样答

先对比普通 RAG：它的检索单元是文本块，问题转成向量，找语义相近的块拼进上下文。GraphRAG 在这之前多一步建图：把语料过一遍抽取，得到实体（人名、机构、产品）和它们之间的关系（谁属于谁、谁影响了谁），存成图。检索时除了向量相似，还沿着图上的边扩展：问到某个实体，把它有关系的一跳、两跳实体所在的文本块也带进来。

强在哪。普通 RAG 答不好需要「拼图」的问题：答案散在几十个文档里，每个文本块只有局部信息，比如问某个领域的主要技术路线和各自的代表工作。图把这些散落的关系连起来，天然适合跨文档、多跳和全局归纳类问题；一些方案还会对图做社区划分和摘要，直接支撑「总结整个语料」级别的提问。

贵在哪。建图要对全部语料跑抽取，一次性成本比切片加向量化高一个量级，语料更新后图还要维护。查询时多跳扩展会拉进更多内容，token 消耗和延迟都上升。所以选型逻辑是：问题大多能靠局部文本块回答，普通 RAG 够用；业务依赖关系推理和全局归纳，这部分成本才花得值。

面试官会怎么追问

• 「图的 schema 要预先定义吗？」 两种路线都有。预先定义实体和关系类型，抽取更可控、成本更低；开放抽取覆盖广但噪声多。工程上常从预定义起步，跑通后再放宽。
• 「图谱抽错了怎么办？」 抽取靠模型完成，必然有错边漏边。缓解靠每条关系带原文来源，检索时把图路径和原文一起给模型，让模型有依据做判断，而不是只信图。
• 「什么场景不该上 GraphRAG？」 语料小、更新频繁、以局部事实查询为主的场景，建图成本收不回来。客服知识库这类一段话就能答的场景，调好参数的普通 RAG 更合适。

回答的坑

• 把 GraphRAG 说成「RAG 的全面升级」。它是用成本换全局推理能力，局部查询场景下未必比调好的普通 RAG 更好。
• 只讲概念不讲成本。题目里「贵在哪」就是在看你会不会算账：建图的抽取成本和查询的多跳成本都要点到。