完整题目
与传统RAG相比，GraphRAG通过引入知识图谱结构实现了更深层次的语义理解与推理。请系统阐述GraphRAG在图结构构建、实体与关系抽取、检索机制（如实体检索与路径推理）以及答案生成阶段的关键实现步骤，详细说明各环节的技术流程，并结合其优势分析其在复杂查询处理中的应用价值。
本文目录
复杂查询先拆成可执行计划
以“A 公司在日期 D 通过哪些持股链间接持有 C 多少股份”为例，需要识别实体、时间与关系约束，再决定哪些部分由图遍历、文本检索和确定性计算完成。GraphRAG 可以帮助找到候选实体、边与证据；持股比例、时间有效性和聚合应交给图查询或业务代码计算，不能让 LLM 根据路径文本猜。
1. 可追踪的图构建
- 分块策略可以是结构化、固定窗口、父子块或语义分块，应通过关系和证据保留率验证，不把语义分块设为必选。
- 实体和关系保留原文范围、时间、方向、置信度和抽取版本；别名合并与共指消解保留可逆映射。
- 图数据库、关系表、邻接表或混合存储都可能满足需求，选型看约束查询、事务、更新、规模和运维。
2. 候选检索与约束
先做实体链接并保留多个候选，结合类型、租户、时间与上下文消歧。图扩展应限定关系类型、方向、时间、最大代价和结果预算。BFS 或最短路径只寻找拓扑路径；最短路径未必与问题最相关，更不证明因果。
同时召回支撑边的原文片段。融合可采用规则、RRF、学习排序或分阶段过滤，权重要在标注查询集上确定，不使用固定 0.6/0.4。每条用于答案的边都应映射回来源，缺证据或版本过期时拒绝使用。
3. 生成与校验
将结构化查询结果、路径及其来源文本一起提供给生成器，要求答案逐项引用证据。数值聚合、日期比较、集合交并和权限判断由确定性执行器完成，并校验返回行数与截断。图上相关关系不能自动升级为因果关系；医疗、风控等高风险结果只能作为检索线索，后续由领域系统或人员判定。