并非所有问题都能用一两个孤立的文档段落直接回答。现实业务中广泛存在一类需要缝合多处信息、理解实体间关系的复杂提问，这类需求恰恰暴露了传统 RAG“扁平检索”的短板。当问题要求模型理解“A 事件如何影响 B 部门下的 C 流程”时，仅仅返回几个相似度最高的文本块往往不够，还需要显式建模知识之间的关联结构。这正是图增强 RAG（Graph RAG）等技术施展价值的典型场景。
1. 复杂关系查询
日常生活中，许多信息本身就以关系网络的形式存在。例如：
- “张经理在咱们公司管理哪些项目？每个项目的当前阶段和负责人是谁？”
- “某条法规影响了哪些产品线？对应的合规责任人分别是谁？”
纯文本检索很难同时覆盖到“张经理”与多个“项目”的分散描述，也很难把项目阶段、负责人这样彼此独立的信息优雅地整合在一句回答里。而引入知识图谱后，实体（张经理、项目 A、项目 B）之间的关系被显式地存储为边，检索时可以直接围绕一个实体遍历关联信息，从而一次性拿到回答所需的所有要素。回答不再依赖拼凑多个片段，而是基于结构化的关系路径组织。
实际案例：一家大型制造企业的内部助理机器人，需要回答“这个零部件由哪些供应商供应，各自的价格和交货周期”。知识图谱中只需连接：零部件 → 供应商 → 价格/周期。用户提问时，系统提取实体，从图谱中直接取出相关属性与链路，生成的回答既准确又不需要在多个文档之间“猜测”关联。
2. 多跳推理
多跳推理指的是回答一个问题需要将多个知识片段串联起来，每一步的答案都是下一步的起始条件。传统 RAG 的单次检索通常只能覆盖第一层信息，很难自动执行“A→B→C”的链式推导。
例如：
- “公司去年收购的初创企业，其创始人目前在公司担任什么职务？”
- 需要首先知道收购的企业 → 再找到创始人 → 再查询该人是否还在职及职务。
- “这款药物针对哪个基因突变，该突变在亚洲人群中出现的频率是多少？”
- 需要先检索“药物-基因”关系，再利用基因名去查询流行病学数据。
对于这种推理，基于图的方案可以将不同的知识点通过实体链接串联起来。系统可以先从问题中识别种子实体，在图中通过多跳查询找到答案节点，再把完整的推理路径作为上下文提供给 LLM 进行最终表达。这种方式不仅提高了准确率，还能在回答中展示推理链路（“因为 A 被 B 收购，B 的创始人是 C，C 目前担任 D 职务”），实现真正的可解释推理。
实用提示：在实际应用中，可以通过预先构建的实体链接器，将文档中的关键实体（人名、地名、专有术语）自动关联到知识图谱中，然后将图谱子图与相关文本片段一起喂给模型，兼顾关系推理与细节描述。
3. 知识网络问答
“知识网络”泛指文档之间复杂的引用、包含、继承或因果关系。例如几十份技术规范互相引用，一份政策文件被多个部门细则层层细化。回答“某流程的最终审批需要哪些条件”可能涉及从总部制度到区域补充条款再到最新备忘录的层层追溯。
这类问题天然需要自上而下或自下而上的遍历逻辑，靠关键词相似度很难保证不遗漏或不错配。图结构非常适合表现这种层级和引用网络。检索时，可以根据实体或主题定位到图中的一个节点，然后沿“父子”、“引用”、“改写”等关系边，自动聚合所有相关文档上下文。
典型适用领域：
- 法律与合规：法规 → 司法解释 → 行业指引 → 公司内部政策，多层级引用关系图谱可以帮助回答“按照最新规定，我们的操作是否合规”。
- 生物医药：靶点 → 药物 → 临床试验 → 已发布论文，便于回答“是否存在针对某靶点且处于 III 期临床的药物，其安全性数据如何”。
- 工程与制造：产品手册 → 部件清单 → 供应商 → 质量认证，能够应对“该型号使用的某部件是否符合特定标准”这样的穿透式提问。
落地建议：构建知识网络不一定需要完整的人工标注图谱。实践中可以结合文档的结构（标题层级、超链接）、实体识别以及命名实体消歧，半自动化地生成图索引。即使图构建并不完美，它也可以与传统向量检索进行融合召回，显著增强对关系和结构的理解能力。
综上，当业务问题明显超越单篇文档的边界，且涉及实体关联、推导链条或层级体系时，单纯向量检索的 RAG 方案往往力不从心。基于图增强的检索模式将在这样的场景中体现不可替代的价值——让模型不仅能“读到自己”，还能“看懂关系”。