检索增强生成（RAG）原本是用来连接外部数据源、增强大语言模型输出质量的技术。它帮大模型访问私有数据或特定领域数据，顺便缓解幻觉问题，因此在 AI 聊天机器人和推荐系统等生成式 AI 应用里很常见。但真正用起来会发现，传统 RAG 遇到复杂关系推理、全局总结和多跳问题时，往往容易翻车。
切碎的文本拼不出全局视图
问题出在文本处理的基本逻辑上。传统 RAG 需要把整篇文档切成小块，再做向量化存储。这种切碎文本的做法，天然会丢掉信息之间的关联和因果性。比如你问“《跨越鸿沟》这本书整体上讲了什么？请写一份 2000 字的总结”，传统 RAG 大概率会不及格。因为它只能基于向量相似度召回几个文本碎片，拼不出完整的全局视图。遇到需要跨文档串联逻辑的多跳问题，同样会出现逻辑链条断裂的情况。
用知识图谱重建实体关联
为了补上这块短板，微软研究院在 2024 年推出了 GraphRAG。这项技术并没有停留在基线 RAG 的框架内做修补，而是改变了检索的底层结构。
GraphRAG 属于检索增强生成的高级版本，它在系统里引入了知识图谱（KG）这样的图形结构数据。基线 RAG 靠矢量搜索来找语义相似的文本，GraphRAG 则充分利用图形的关系结构来检索，并根据特定领域的查询处理信息。大型语言模型在处理私有或结构化数据时，往往缺乏理解实体之间关系的能力。GraphRAG 通过图形数据库对这些关系进行建模，让模型重新找回丢失的上下文关联。
在实际运作中，这意味着当面对复杂的查询时，GraphRAG 能顺着图谱里的节点和边，把分散在不同文档里的信息串联起来。它不再是盲目地抓取字面相近的段落，而是沿着实体关系的脉络走，补上传统 RAG 丢失的那部分因果逻辑。
别为了用而用
当然，并不是所有场景都非得上 GraphRAG。如果业务需求只是查几个简单的 FAQ，传统的向量检索或者加上重排序的混合检索就够用了，没必要花大力气去建知识图谱。但如果业务里有大量跨文档关联、多跳推理或者全局总结的需求，GraphRAG 显然是目前更对口的解法。
