GraphRAG 落地的主要技术挑战是什么？

1. 图构建质量不是单一准确率

实体边界、别名、时间、关系方向和条件都会影响图。LLM 生成候选三元组后，应优先审核低置信、模型分歧、高影响和具有代表性的样本，同时保留随机抽样估计整体错误率；只审核“高置信样本”既不能有效主动学习，也会漏掉系统性错误。每条边都要保留来源片段、抽取版本和时间。

Schema 可从最小核心逐步演进，但变更需要迁移和兼容规则，不能让开放抽取持续制造无法比较的关系类型。

2. 路径候选不等于推理

多跳会扩大候选组合和误差传播，但错误不会遵循通用的“指数上升”公式。BFS、最短路、随机游走、向量召回、规则或学习排序都可用于候选生成；GNN 和 LLM 不是必需步骤。路径排序至少要考虑查询相关性、边的来源、时间、关系方向和置信度，并回到原文验证。

预计算是否有效取决于查询分布和图更新，不存在通用的 70%–80% 覆盖率。缓存还要携带图版本与权限，避免旧路径或跨租户结果继续命中。

3. 图、文本、向量与报告的一致性

融合顺序没有固定答案：可以由文本找到实体后扩图，也可以由结构约束筛选文本，还可以并行召回再融合。需要在目标查询上比较覆盖、重复、噪声和延迟。图数据库提供哪些时间或事务能力应按具体产品版本验证，不能把“时间戳版本”当作通用功能。

更新时，实体关系、向量和社区报告可能在不同存储中。使用 staged generation、固定查询回放、删除/ACL 检查和原子别名切换，比假设跨系统事务更容易验证。

4. 评测必须分层

• 图层：实体链接，关系精确率/召回率，方向、时间和来源完整性。