前面章节介绍的 RAG 系统，大多基于向量相似度进行检索。这种方案在处理“这段文本在语义上与问题是否相关”时表现优异，但它有一个盲区：不擅长理解和利用实体之间的关系。Graph RAG 正是在这个背景下被提出，它将知识图谱的结构化表达与向量检索的语义匹配结合起来，让系统既能理解语义，又能把握关系脉络。
1. 为什么纯向量检索不够用
向量检索本质上是“匹配相似的文本块”。对于事实型、定义型的问题，这通常够用，比如“公司年假政策是什么？”。但遇到需要多步推理或关系聚焦的问题时，纯向量检索就容易力不从心：
- 跳转关系缺失：问题问“技术总监张三的直接下属有哪些人？”，相关文档中可能分布着“张三管理研发部”“研发部成员包括李四、王五”等零散描述。向量检索可能会召回包含“张三”或“下属”的片段，但无法自动串联出“张三→研发部→李四、王五”的完整链路。
- 结构化局限：知识分散在多个文档中，缺乏全局结构视野，面对聚合性问题（如“列出所有向张三汇报且职级在 P7 以上的人”）时，单独靠文本相似度几乎不可能准确回答。
- 精准度不足：当问及具体实体时，向量检索可能返回一团语义相关但并非精确匹配的内容，导致回答模糊。
这些问题根源于知识本身的表示方式：纯文本片段缺乏显式的实体和关系标注，检索器无法进行逻辑推理。
2. Graph RAG 的基本思路
Graph RAG 引入知识图谱作为第二知识来源。知识图谱用节点（实体）和边（关系）来组织信息，比如 张三 --[管理]--> 研发部，研发部 --[包含]--> 李四。这种结构让计算机能够直观地“遍历”关系，完成多步推理。
一个典型的 Graph RAG 工作流程如下：
- 知识抽取与建图
提前从文档中识别出实体（人名、部门、日期、条款等）以及它们之间的关系，构建一个有结构的知识图谱，并存入图数据库。这一步可以结合实体识别模型和关系抽取规则。
- 问题解析
用户提问后，系统不仅将问题向量化进行语义检索，还会解析出问题中的实体和关系意图。例如对于“张三的下属”，解析出的实体是“张三”，关系意图是“管理”或“下属”。
- 双路检索
- 向量检索：按相似度召回相关文本片段，负责回答需要上下文描述的问题（如政策解释、操作指南）。
- 图谱查询：在图数据库中，从“张三”节点出发，沿着“管理”边找到直接下属，甚至进一步过滤职级条件。这一步直接返回结构化的实体列表。
- 结果融合与生成
将两路检索结果合并，填充到提示词中提交给大模型。大模型基于结构化数据（下属清单）和文本片段（如组织架构说明）生成最终回答，既能精确列出名单，又能附上相关的上下文解释。
3. 互补关系如何落地
向量检索和图谱查询并非谁替代谁，而是在不同维度上互为补充：
- 向量检索擅长“软匹配”：用户用自然语言提问，语义相近的文本即使用词不同也能被找到。图谱则要求精确的实体和关系匹配，无法处理模糊表达。Graph RAG 保留向量检索，确保宽泛性问题的覆盖。
- 图谱擅长“硬推理”：当问题天然就是关于实体间关系时（层级、归属、流程），图谱直接用图遍历算出答案，比向量检索加上大模型推理要可靠得多，也快得多。
- 联合提升准确性：在生成最终答案时，可以要求模型先用图谱结果锚定事实（如“直接下属有3人：李四、王五、赵六”），再参考文本片段补充说明（如“根据《组织架构管理办法》第2条，部门经理拥有人事任免权”）。这样既有数据精确性，又有语义丰富度。
一个真实例子：某互联网公司用 Graph RAG 构建 HR 助手。知识图谱存储了完整的汇报线、部门归属、职级等关系，向量库存储了制度文档、员工手册。
- 问“P8 及以上、向张三分管领域汇报的员工有哪些？”
图查询从张三节点出发，找到属于他分管业务线的所有员工，再按职级过滤，得到精确列表。
向量检索找到“职级体系的定义”“张三分管业务调整通知”，辅助生成解释。
最终回答：“目前有 5 人：李四、王五……。其中李四于 2024 年 6 月晋升 P8，详见《晋升公告 202406》。”
- 问“员工离职补偿的法律依据是什么？”
这纯粹是文本描述型问题，图谱中可能没有相关结构。向量检索直接召回《离职管理办法》相关片段，由模型整理回答，图谱不必参与。
4. 适用场景与代价
Graph RAG 效果突出，但需要额外工程投入。适合：
- 组织架构、产品零部件清单、故障码层次关系等强实体关系领域。
- 需要频繁多跳推理的问答（如“某个组件用在了哪些产品上，这些产品的负责人是谁”）。
- 对事实精确度要求极高，不允许模糊匹配的场景。
实施中需要注意：
- 图谱构建的质量：实体识别和关系抽取的准确性直接决定回答可靠性，通常需要业务专家校验。
- 维护同步：知识库文档更新时，图谱也需要相应更新，否则会出现“文本已改、图谱未动”的矛盾。
- 不是万能：如果问题本身不涉及关系推理，纯向量 RAG 就够用，盲目引入图谱只会增加复杂度。
Graph RAG 的本质思想是让 AI 系统兼具“语义理解”和“逻辑推理”两种能力。向量检索负责关联泛化，知识图谱负责关系精确，两者互补，让 RAG 从“看懂文本”迈向“理解世界关联”，在复杂知识密集的场景中释放出更大的价值。