一句话总结：Graph RAG 在向量检索基础上引入 知识图谱（实体 + 关系），擅长回答需要多跳推理的问题，如「A 公司的供应商 B 的合规风险有哪些？」。
传统 RAG vs Graph RAG
| 维度 | 传统 RAG | Graph RAG |
|---|---|---|
| 索引方式 | 文档块向量 | 向量 + 实体关系图 |
| 擅长问题 | 「XX 是什么？」 | 「A 和 B 什么关系？」 |
| 多跳推理 | ❌ 弱 | ✅ 强 |
| 构建成本 | 低 | 中高 |
| 维护成本 | 低 | 中（图谱需更新） |
Graph RAG 工作流程
1. 文档解析 → 实体抽取（人、组织、产品、法规）
2. 关系抽取 → 构建知识图谱（Neo4j / NebulaGraph）
3. 用户 Query → 实体识别 + 关系路径查询
4. 图谱子图 + 向量检索结果 → 合并上下文
5. LLM 生成答案适用场景
✅ 适合 Graph RAG：
- 供应链关系查询（供应商-产品-合规）
- 法规关联分析（法条之间的引用关系）
- 组织架构与权限查询
- 医学知识（疾病-症状-药物关系）
❌ 不适合 Graph RAG：
- 简单 FAQ（传统 RAG 足够）
- 文档内容频繁变化（图谱维护成本高）
- 数据量小（< 1000 篇文档，ROI 不高）
微软 GraphRAG 方案
Microsoft GraphRAG 开源方案：
- Community Detection：文档聚类为社区
- Community Summary：每个社区生成摘要
- Global Search：跨社区全局检索
- Local Search：社区内精细检索
适合：全局性问题（「公司所有产品的合规风险总结」）
泽衍科技实践建议
第一阶段：传统 RAG（4~8 周上线）
第二阶段：评估多跳 query 占比（> 20% 则考虑 Graph RAG）
第三阶段：增量构建知识图谱，Hybrid 检索常见问题
Graph RAG 比传统 RAG 准确率提升多少？ 多跳推理场景提升 20~40%；简单 FAQ 场景几乎无差异。
知识图谱怎么构建？ LLM 自动抽取（准确率 80~85%）+ 人工校验关键实体。Microsoft GraphRAG 提供端到端工具链。
用什么图数据库？ Neo4j（生态成熟）、NebulaGraph（国产、性能好）、PostgreSQL + AGE 扩展（已有 PG 的团队）。