完整题目
相较于传统基于向量或关键词的检索方法，GraphRAG通过引入知识图谱结构提升召回质量。请分析GraphRAG为何能够实现更精准的结构化召回，其优势来源于哪些机制设计？
本文目录
先纠正题目的前提
GraphRAG 不保证召回更精准。它增加了实体、关系与社区等检索入口；当目标问题需要这些结构且图质量足够时，可能补回普通文本检索漏掉的证据。若实体链接、关系方向或社区摘要错误，确定性的图遍历只会稳定地扩大错误。
可能产生增益的三种机制
- 实体归一与关系约束：把别名映射到候选实体，按关系类型、方向、时间和权限过滤邻域。向量检索本身也能区分不同关系的文本表达，只是没有显式执行图约束；两者需在目标查询上比较。
- 跨文档候选路径：图遍历可发现未在同一片段共现的候选边，但每条边仍要回到来源文本。路径存在表示索引中存在连接，不自动表示因果或事实有效。
- 社区级概览：社区报告可为数据集级问题提供候选主题和分组视角；摘要可能遗漏条件或放大抽取错误，因此答案应下钻到实体、关系和原文证据。
什么时候通常不值得
精确条款、FAQ、单文档问答或更新/撤回极频繁的内容，关键词加向量、元数据过滤与重排往往是更直接的基线。涉及订单、退款等用户实时状态时，应查询受权限保护的业务系统，而不是把个人交易状态抽成离线图后推断。
怎样证明改善
在同一查询集比较 BM25、向量、混合检索、GraphRAG 与组合方案。按问题类型分别报告证据 Recall@K、Precision@K、实体链接准确率、关系/路径精确率、全局问题覆盖、答案支持度、更新延迟、尾延迟和成本。还要加入错误实体、缺边、反向边、过期边、无权限边及无答案样本。