GraphRAG原理 vs 传统RAG 怎么选?

30 秒回答

1. 理解GraphRAG的核心创新：从"文本块检索"到"图结构知识检索"
2. 能对比传统RAG在全局性问题上的局限
3. 掌握GraphRAG的构建流程（索引构建→社区检测→查询生成）
4. 能举例说明图结构数据的具体应用场景

回答与解析

答案要点

• 理解GraphRAG的核心创新：从"文本块检索"到"图结构知识检索"
• 能对比传统RAG在全局性问题上的局限
• 掌握GraphRAG的构建流程（索引构建→社区检测→查询生成）
• 能举例说明图结构数据的具体应用场景
• 理解其在多跳推理、关系推理上的优势

GraphRAG 核心原理

本质转变：传统RAG检索"文本片段"，GraphRAG检索"图结构知识"——实体、关系、社区摘要。

构建流程：

1. 索引阶段：LLM抽取实体和关系 → 构建知识图谱 → Leiden算法检测社区 → 生成社区摘要
2. 查询阶段：根据问题路由到相关社区 → 综合多社区摘要生成答案

与传统RAG的关键差异

典型场景对比：问"公司A和公司B有什么关联？"

• 传统RAG：可能漏掉分散在多处的间接关系
• GraphRAG：通过图遍历找到A→C→B的完整路径

图结构数据的应用方法

1. 金融风控

• 构建企业股权、担保、交易关系图
• 识别隐性关联：多层股权穿透、担保圈

2. 医疗诊断

• 症状-疾病-药物-禁忌的知识图谱
• 支持"症状A+症状B→罕见病C"的推理

3. 供应链分析

• 供应商-零部件-产品-客户的复杂网络
• 评估单点故障风险、替代方案

核心优势与代价

优势：

• 全局性：社区摘要能回答"总结所有文档的共同观点"
• 可解释性：答案可溯源到具体的实体关系路径
• 关系推理：天然支持多跳复杂查询

代价：

• 索引构建成本极高（需多次LLM调用抽取实体）
• 图谱质量依赖抽取准确性
• 适合静态知识库，频繁更新场景开销大

口语版讲法(约4分钟)

• 本质问的是从碎片检索到结构知识检索的跃迁
• 传统RAG的边界：适合单点事实，不适合全局和关系
• GraphRAG的核心流程：实体抽取、社区检测、摘要生成
• 业务场景举例：金融风控中的隐性关联
• 落地风险：构建成本高、图谱质量依赖抽取、适合静态库
• 可延伸点：社区检测的粒度如何影响效果

这道题其实是在问，当我们需要回答的不只是'某段文本说了什么'，而是要理解整个知识库里的实体关系和全局主题时，检索方式该怎么升级。传统RAG检索的是文本片断，适合回答'某文档里提到了什么'这种单点问题。但一旦问'整个数据集的共同主题是什么'或者'A和B有什么间接关联'，它就容易漏掉分散在多处的信息。所以它的边界很清晰：适合局部事实，不适合全局聚合和多跳推理。落地时往往需要跟其他方案组合，比如先用GraphRAG拿到关系路径，再用传统RAG去原文里验证细节，两者互补。

具体说一下GraphRAG的核心。它本质上是把知识库里的实体和关系抽出来，建成Knowledge Graph，然后对图做社区检测，比如用Leiden算法，把紧密关联的实体聚成一个社区，再让LLM生成每个社区的摘要。查询时根据问题路由到相关社区，综合多个社区的摘要来生成答案。你可以这么理解：传统RAG像在图书馆里翻书找段落，GraphRAG像先画一张人物关系图，然后顺着关系线找答案。比如问'公司A和公司B有什么关联'，传统RAG可能只找到它们共同出现的文档，而GraphRAG能通过图遍历找到A→中间公司C→B这条路径。

拿金融风控举个例子。假设我们要评估一家企业的隐性关联风险，传统做法是查股权结构、担保关系这些显性信息，但很多风险藏在多层穿透里。用GraphRAG，我们可以把企业、股东、担保人、交易对手都作为实体，把股权、担保、交易作为关系，构建一张企业关系图。然后通过社区检测，把那些虽然直接持股不深但通过多层嵌套形成闭环的担保圈识别出来。查询时问'这家企业是否存在隐性担保风险'，GraphRAG能返回它所在的担保圈以及圈内所有关联方，给出风险路径。这比传统RAG逐份合同检索要高效得多。

不过这里有个坑。GraphRAG的索引构建成本非常高，因为要多次调用LLM来做Entity Linking和Relation Extraction，而且图谱质量完全依赖抽取的准确性。如果实体识别不准，或者关系抽错，后面的社区检测和摘要都会跟着偏。所以它的适用前提是知识库相对静态，比如年度财报、合规文档，不太适合每天变动的实时数据。上线时我会特别关注抽取准确率和社区划分的合理性，用一批标注数据做验证，如果社区边界太粗或太细，都要调参。

说到社区检测，社区粒度对效果影响很大。社区太大，摘要会泛泛而谈；社区太小，又丧失了全局性。所以怎么根据查询类型动态调整社区粒度，或者用多粒度社区来覆盖不同层次的问题，这是个值得深挖的方向。

所以整体上，我会把GraphRAG看作一个结构化知识增强组件，适合全局性、关系性的查询，但成本高，不适合高频更新场景。我更倾向于把它和传统RAG组合使用，各取所长。

关键一句:社区检测的粒度对效果影响很大，需要根据查询类型动态调整。

面试官还可能这样问

1. 问法 1 · 场景切入

   假设你在做金融风控系统，要查两个公司之间有没有隐性关联，比如A通过B持股C。传统RAG可能找不到，你觉得怎么用图结构来改进检索？

2. 问法 2 · 层层追问

   RAG你肯定熟，就是检索文本块对吧？……那如果问题涉及多个实体之间的复杂关系呢？……比如“总结所有供应商的共同风险”，这时候怎么处理？……你再想想GraphRAG是怎么做的？

3. 问法 3 · 直球架构

   直接说GraphRAG的构建流程和核心原理，跟传统RAG比有什么关键差异？在图数据上具体怎么应用，优势在哪？