Q: GraphRAG 相比传统 RAG 的算法改进是什么？它适用于什么场景
P1 · rag
🏷 标签：rag, graphrag, knowledge-graph, multi-hop-reasoning
1️⃣ 考察意图
面试官想看你是否理解RAG的演进逻辑，而非死记硬背概念。传统RAG（Naive RAG）依赖向量相似度检索，本质是“语义匹配”，无法处理跨文档的实体关系和多跳推理（如“A公司的供应商B是否受制裁？”）。GraphRAG的改进在于引入知识图谱结构，将检索从“平面搜索”升级为“图路径推理”。刁钻点在于：你是否能说清图构建的代价（实体抽取、关系消歧）与收益（多跳准确率提升）之间的trade-off，以及何时该用、何时不该用。答好了能展示系统设计能力和工程取舍判断力。
2️⃣ 标准答
核心改进：从“语义匹配”到“结构推理”
传统RAG流程：Query → Embedding → 向量检索Top-K → LLM生成。问题在于：① 实体关系丢失（“苹果”是水果还是公司？）；② 多跳推理弱（“A的子公司B的客户C”需要3次检索，向量相似度无法直接关联）。GraphRAG通过以下算法改进解决：
- 图构建阶段：使用NER（如SpaCy/GLiNER）抽取实体，关系抽取（如REBEL）提取三元组（实体-关系-实体），存入图数据库（Neo4j/ArangoDB）。关键取舍：全量抽取精度高但成本大，可改用LLM+规则混合（如GPT-4批量标注+正则过滤），平衡召回与延迟。
- 检索增强阶段：传统RAG只做向量检索，GraphRAG增加图遍历（如BFS/DFS）和路径排序（如PageRank变体）。例如，Query“哪些公司净利润增长>10%且负债率<50%”，先通过向量检索定位“净利润”“负债率”相关节点，再沿“财务指标-公司”边进行图遍历，用路径评分（如HITS算法）筛选候选。实际坑：图遍历深度过大会引入噪声，经验值设为2-3跳，配合剪枝（如边权重阈值0.5）。
- 生成融合阶段：将图路径编码为结构化上下文（如“公司A→控股→公司B→净利润→增长15%”），与原始文本块拼接。可用Graph Attention Network（GAT）对路径加权，或直接让LLM解析路径序列。工程取舍：图结构注入方式影响生成质量——直接拼接简单但可能混淆LLM，用图编码器（如CompGCN）嵌入后再融合更稳定，但增加推理延迟。
适用场景：
- 多跳推理密集型：如法律条文关联分析（“A法条是否被B判例推翻？”）、医疗诊断（“症状X+基因Y→疾病Z”）。传统RAG在此类场景准确率常低于40%，GraphRAG可提升至70%+。
- 关系密集型问答：如企业知识库（“哪个部门的员工参与了项目P且技能匹配？”）、金融风控（“公司A的关联方是否在制裁名单？”）。图结构天然适合表达“实体-关系”网络。
- 不适用场景：单跳事实查询（“巴黎是哪个国家的首都？”）、纯文本摘要（“总结这篇论文”）。此时图构建成本（实体抽取耗时、存储开销）远大于收益，传统RAG更优。
3️⃣ 答题模板（30 秒电梯版）
“这个问题我从算法改进和场景适配两个层面回答。算法层面，GraphRAG将传统RAG的‘向量检索+生成’升级为‘图构建+图遍历+路径编码+生成’，核心是用知识图谱结构支持多跳推理，而非仅靠语义相似度。场景层面，它适用于多跳推理和关系密集型任务（如法律、医疗），但单跳查询或纯文本摘要场景下，图构建成本过高，传统RAG更合适。总结一句：GraphRAG是RAG在结构化推理场景的增强，不是替代。”
4️⃣ 高频追问 & 应对
追问 1：GraphRAG的图构建成本很高，你怎么评估是否值得用？
从三个维度量化：① 查询复杂度——如果80%的查询需要2跳以上推理（如“A的供应商B的客户C”），图构建值得；② 实体密度——每文档实体数>50且关系稠密（如金融财报），图收益高；③ 延迟容忍度——图遍历+编码增加200-500ms，若业务要求<1秒响应，需用缓存或预计算路径。经验法则：先跑100条query，传统RAG准确率<50%时，GraphRAG的ROI才为正。
追问 2：如果知识图谱不完整（比如缺失关系），GraphRAG怎么处理？
用“软对齐”策略：① 对缺失关系，用LLM动态推理（如“公司A和公司B可能有关联，因为都出现在同一份合同”），将LLM输出作为虚拟边加入图；② 结合向量检索兜底——当图遍历无结果时，回退到传统RAG的语义匹配；③ 定期用增量更新（如每周用LLM重新抽取新文档的关系），避免图谱过时。关键取舍：软对齐增加推理延迟，但能提升召回率15-20%。
追问 3：GraphRAG和RAPTOR（递归摘要树）的区别是什么？
核心区别在结构：GraphRAG用图（节点=实体，边=关系），强调实体间显式关联；RAPTOR用树（节点=文本块摘要，边=层级包含），强调文本层级聚合。场景上，GraphRAG适合“实体关系推理”（如“A公司是否控股B？”），RAPTOR适合“长文档多粒度检索”（如“从论文中找方法部分的具体参数”）。实际可结合：用RAPTOR做文本摘要，用GraphRAG做实体关系，形成混合架构。
5️⃣ 避坑 · 常见错误答法
- ❌ “GraphRAG就是给RAG加个知识图谱，检索时用图数据库代替向量数据库。” → ✅ 正确切入：图数据库和向量数据库是互补关系——图结构用于路径推理，向量检索用于语义匹配，两者并行或级联使用，而非替代。
- ❌ “GraphRAG适用于所有问答场景，因为它更准确。” → ✅ 正确切入：图构建成本高（实体抽取、关系消歧、存储），仅当查询需要多跳推理或关系密集型时才有收益。单跳查询（如“今天天气”）用传统RAG更高效。
- ❌ “图构建用LLM抽取三元组就够了，不需要规则。” → ✅ 正确切入：纯LLM抽取成本高且不稳定（幻觉），应结合规则（如正则匹配财务指标）和NER模型（如SpaCy），形成“LLM+规则”混合流水线，平衡精度与成本。
6️⃣ 简历呼应
- 如果你有RAG项目：从“多跳推理准确率提升”切入，展示你如何用GraphRAG解决传统RAG的实体关系丢失问题，并给出具体指标（如准确率从45%→72%）。强调图构建的工程优化（如用Neo4j+向量索引混合）。
- 如果你只做过传统NLP：用“知识图谱+信息抽取”类比，说明你熟悉NER和关系抽取（如REBEL），能迁移到GraphRAG的图构建阶段。强调对实体消歧和路径排序的理解。
- 如果你是校招无项目：聚焦论文复现（如Microsoft的GraphRAG论文），描述你如何用PyTorch实现图编码器（如GAT）并对比传统RAG的检索效果。可附上GitHub demo链接。
- Microsoft GraphRAG论文：From Local to Global: A Graph RAG Approach to Query-Focused Summarization
- Neo4j官方教程：Building a Knowledge Graph with LLMs and GraphRAG
- 论文：REBEL: Relation Extraction By End-to-end Language generation
- 博客：GraphRAG vs. RAPTOR: Choosing the Right Retrieval Architecture
- 工具：LangChain GraphRAG集成文档（含Neo4j和ArangoDB示例）