面试题 · 知识图谱
搜索「检索」匹配到口述回答，相关段落已展开。查看匹配内容 ↓
请解释GraphRAG的基本原理和实现方法，并分析其与传统RAG方法相比的优势和适用场景。
索引阶段（离线）
查询阶段（在线）
按学习路线查看教程、项目和面试题。
| 维度 | 传统RAG | GraphRAG |
|---|---|---|
| 检索单元 | 文本块/向量片段 | 实体、关系、社区摘要 |
| 推理能力 | 局部语义匹配 | 全局关系推理、跨文档聚合 |
| 擅长问题 | "某段文字说了什么" | "这些文档共同的主题是什么" |
| 上下文组织 | 平铺的top-k片段 | 层次化的图结构 |
核心优势
典型场景
# 核心流程示意
# 1. 索引：文档 → 图谱 → 社区 → 摘要
docs → entity_extraction(kg) → community_detection(communities) → summarize(community_reports)
# 2. 查询路由
if query_is_abstract:
return global_search(community_reports, query) # 遍历所有社区摘要
else:
return local_search(kg_subgraph, query) # 定位相关子图关键权衡：索引成本高（需多次LLM调用）、图谱质量依赖抽取效果、社区粒度需调参。
场景切入
假设你在做企业知识库问答系统，一堆产品手册和故障报告丢进去。用户问‘我们最近几个版本共同解决了哪些核心问题’，传统RAG可能只拼凑几段文字，但GraphRAG能挖出跨文档的关系。你了解GraphRAG吗？说说它的原理和优势？
层层追问
你用过RAG吧，检索文档片段然后生成回答……那如果问题需要综合多个文档才能回答，比如‘这些专利的总体技术趋势’，你怎么处理？……有一种方法叫GraphRAG，它先构建知识图谱再检索，你知道它具体是怎么实现的吗？
直球架构
解释一下GraphRAG的基本原理和实现方法，和传统RAG相比有什么优势？适用哪些场景？比如索引阶段怎么做图谱构建和社区发现，查询阶段如何利用图结构推理，直接讲。
面试官好，这道题其实是在问：当传统 [[RAG]] 只能回答"某段文字说了什么"时，我们怎么回答"这些文档共同的主题是什么"这种需要跨文档聚合的抽象问题。[[GraphRAG]] 就是干这个的。
我先说它的核心原理。它分两步：索引阶段和查询阶段。索引阶段不是简单[[切块]]加向量，而是先用 LLM 从文档里抽实体、关系、属性，构建一个 [[知识图谱]]。然后对图谱做社区发现，比如用 Leiden 算法，把紧密关联的实体聚成一个社区，再对每个社区生成一个高层摘要。这样你就有了一个层次化索引：底层是实体和关系，上层是社区的语义概括。
查询阶段分两路。如果问题是"某实体的属性是什么"这种具体的，就走局部搜索，定位到相关子图精确检索。如果问题是"这些文档共同的主题是什么"这种抽象的，就走全局搜索，遍历所有社区摘要，让 LLM 聚合推理。说白了，传统 RAG 的检索单元是文本块，GraphRAG 的检索单元是实体、关系、社区摘要，它多了关系推理这一步。
那它和传统 RAG 的边界在哪呢？传统 RAG 擅长精确匹配，比如"退货政策是什么"，直接找相似文本块就行。而 GraphRAG 擅长连接性查询，比如"A 公司的技术怎么影响了 B 行业"，需要跨文档综合。但落地时很少二选一，真正业务里常常是混合的。举个例子，一个企业知识库，既有员工问"年假几天"这种事实问题，也有总监问"今年各部门的常见痛点是什么"这种抽象问题。我会把传统 RAG 和 GraphRAG 都部署上，查询时先判断意图，如果问题是具体的就走向量检索，如果是抽象的就走图检索，甚至可以把两者结果融合，比如先用图找相关社区，再用向量在社区内精搜。
这里有个坑：GraphRAG 的索引成本很高，因为每一步都要调 LLM，而且图谱质量完全依赖抽取效果。如果文档噪声大、实体识别不准，后面的社区划分和摘要都会跟着错。常见的失败场景是社区粒度没调好，太粗了摘要笼统，太细了又退化回局部检索。上线前我会特别关注两点：一是用一批标注 query 评估社区划分的合理性，二是监控查询延迟，全局搜索如果遍历太多社区，速度可能扛不住。
所以我的判断是：GraphRAG 不是替代传统 RAG 的，而是补充。我更倾向于把它看作一个"全局分析工具"，用在需要高层洞察的场景，比如竞品分析、技术趋势研判。而传统 RAG 是"精确问答工具"，两者配合才能覆盖更多查询。
不过这里有个值得深挖的点：查询路由怎么设计。到底哪些 query 该走图、哪些该走向量？我自己的经验是，不能单靠关键词规则，因为用户不会说"我要一个抽象问题"。更好的做法是用一个轻量分类器，或者让 LLM 自己做意图判断，但这样又会增加延迟。这块其实挺有挑战的，需要在实际数据上反复调优。