GraphRAG 怎么实现复杂查询?

这道题其实是在问，当传统[[RAG]]遇到复杂关联查询时，怎么用图结构来补上语义推理的短板。说白了，传统RAG擅长找相似片段，但碰到“A公司通过B间接持有C多少股份”这种多跳因果问题，向量相似度就抓瞎了。[[GraphRAG]]的思路是把文档里的实体和关系抽出来建成[[知识图谱]]，然后在这个图上做检索和推理。

先说图构建。这里有个常见误区，很多人一上来就整复杂的实体[[关系抽取]]，但其实最关键的步骤是文档预处理。我倾向于用语义[[分块]]，而不是固定长度切分，因为一个实体描述可能跨多个段落，切碎了后面消歧成本很高。实体抽取我一般直接用LLM做[[NER]]，同时做共指消解，比如“苹果公司”和“Apple Inc.”要合并成同一个节点。关系抽取是真正的难点，因为很多关系是隐式的，比如“A投资了B”，原文可能写的是“A向B注资”，需要模型理解语义。存储我建议用图数据库，但小规模实验用向量加邻接表也能跑。

检索这块，我把它拆成两条路并行。一条是实体检索，先识别查询里的实体，在图里定位种子节点，然后扩展一跳或两跳邻居。另一条是路径推理，用图算法比如BFS找实体间最短路径，把路径转成文本描述。这里有个关键点：两条路要融合，不能只靠图。我会把子图文本化后和向量检索的文档片段按权重拼接，比如0.6对0.4，具体权重看场景调。

举个业务场景。比如电商平台的售后知识库，用户问“我买的东西降价了，能退差价吗？”，传统RAG可能只搜到“降价不退差价”的片段，但GraphRAG能关联到“促销规则-适用商品-时间窗口”这个子图，发现用户购买时间在保价期内，然后给出肯定答复。这背后是显式的因果路径。

落地风险我也得提。前提是你的知识库实体关系足够稠密，如果文档全是散文，实体稀疏，图就建不起来，效果反而不如传统RAG。常见失败场景是关系抽取错了，导致推理路径误导答案。上线我会特别关注实体消歧的准确率，低于80%就要回退到纯向量检索。

另外还有一个有意思的点，就是图更新怎么保持实时性。如果知识库频繁变动，增量构建图谱的成本很高，我目前倾向于先用离线全量构建，再对新增文档做增量[[实体链接]]，但一致性校验是个麻烦事。

所以总结下来，我不会把GraphRAG当成万金油。我更倾向把它看作传统RAG的增强模块，只在查询涉及多实体关联或因果推理时才激活图检索，其他情况走纯向量，这样性价比最高。