GraphRAG：让大模型学会“看图说话”的检索增强新范式
GraphRAG是检索增强生成（RAG）的一种高级实现，它通过构建知识图谱来组织信息，使大语言模型不仅能检索相关文档片段，还能理解实体间的复杂关系，从而生成更准确、连贯且可追溯的答案。
一句话解释
GraphRAG是一种将知识图谱与检索增强生成技术结合的AI方法。它先为文档集构建一个结构化的知识图谱，当用户提问时，系统从图谱中检索出相关的实体和关系网络，再交给大模型生成答案，使回答更具深度和逻辑性。
为什么会被关注
传统RAG依赖向量检索匹配文本片段，在处理复杂、多跳推理问题时容易丢失关键信息或产生“幻觉”。GraphRAG通过图谱显式地建模实体关系，能更好地捕捉文档中的深层逻辑和事实网络，显著提升了回答的准确性、一致性和可解释性，因此被视为下一代企业级知识智能的核心技术。
核心逻辑
其核心分为“建图”与“用图”两步。首先，利用大模型从非结构化文本中抽取实体、属性及关系，构建一个全局知识图谱。当用户查询时，系统从图谱中定位相关子图（包含实体及其关联路径），将这些结构化的关系信息作为上下文，连同问题一起输入给大模型，引导其基于明确的逻辑网络进行推理和生成。
常见场景
在企业内部，可用于智能客服，准确回答涉及多部门流程的复杂问题；在金融研究领域，能分析公司、事件、市场之间的关联，生成深度报告；在医疗领域，可关联病症、药物和研究成果，辅助诊断推理；此外，也适用于需要强事实核查与溯源的新闻分析或学术研究场景。
容易混淆的点
GraphRAG并非要取代向量数据库，两者常结合使用：向量库用于快速召回相关文档，图谱用于精细推理。它也与传统知识图谱问答不同，后者通常依赖预定义的规则或查询模板，而GraphRAG的图谱构建和答案生成都高度依赖大模型的语义理解能力，更加灵活和自动化。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词智能体是能够感知环境、自主决策并执行任务的人工智能系统。它正从简单助手演变为具备规划和学习能力的自主实体，是迈向通用人工智能的关键路径。
RAG（检索增强生成）是一种将信息检索与大语言模型生成能力相结合的技术范式。它让模型在回答前，先从外部知识库中查找相关文档，然后基于这些检索到的准确信息进行生成，从而显著提升回答的准确性、时效性和可追溯性。
向量数据库是一种专门为存储和检索高维向量数据而设计的数据库。它通过将文本、图像、音视频等非结构化数据转化为数学向量（即一组数字），并计算向量间的“距离”来衡量相似性，从而实现高效的相似性搜索。它是构建AI应用，如智能问答、推荐系统和内容检索的核心基础设施。
检索增强生成是一种将信息检索与大语言模型生成能力相结合的技术框架。它让模型在回答前，先从外部知识库中检索相关信息作为参考，从而生成事实性更强、时效性更高且可追溯来源的内容，有效缓解大模型的“幻觉”问题。
大语言模型是一种基于海量文本数据训练的人工智能模型，能够理解、生成和推理人类语言。它通过深度学习技术，学习语言的统计规律和语义关联，从而完成对话、写作、翻译等多种任务，是当前生成式AI浪潮的核心驱动力。
向量检索是一种基于深度学习的技术，它将文本、图像等数据转换为高维空间中的向量（一组数字），并通过计算向量间的相似度来寻找最相关的内容。它突破了传统关键词匹配的局限，实现了基于语义的智能搜索与推荐。