技术与工程已解决
GraphRAG 是什么？
知识图谱与向量检索的结合，如何解决全局性问题的检索难题。
问题正文
传统 RAG 的盲区
向量检索擅长找相关片段，但对这份文档的核心主题是什么、这些事件之间的关系这类需要跨文档、全局性理解的问题力不从心。片段级检索天然不适配全局问题。
GraphRAG 的思路
先用 LLM 从文档中抽取实体与关系构建知识图谱，再对图谱做社区检测与层级摘要。检索时既走向量也走图谱，全局问题用社区摘要回答。
代价与适用
构建成本高（大量 LLM 调用），图谱质量依赖抽取提示词。适合需要全局分析、多跳推理的高价值知识库，不适合普通 FAQ 场景。