我要投稿

超神了，ChatWiki 支持GraphRAG，让 AI 具备垂直深度推理能力！

发布日期：2025-04-29 14:48:51 浏览次数： 1641 作者：芝麻服务助手

传统RAG（Retrieval-Augmented Generation，检索增强生成）和GraphRAG（Graph-based Retrieval-Augmented Generation，基于图的检索增强生成）是两种基于检索增强的生成模型技术，它们的核心区别在于对知识的组织方式和检索机制的设计。

一、从RAG到GraphRAG

1.传统RAG

传统的检索增强生成（RAG）依赖向量检索技术，从文档库中查找与用户问题相关的文本片段（chunks），再基于这些片段生成答案。

但这种方式可能忽略文本间的深层语义关系（如实体间的关联、因果链等），导致检索结果不够精准或遗漏关键信息。

2.GraphRAG

GraphRAG是一种结合知识图谱（Knowledge Graph）与检索增强生成（RAG）的技术，旨在通过结构化数据提升大语言模型（LLM）在复杂场景下的推理能力和生成质量。

其核心思想是：将非结构化文本中的实体、关系、事件等结构化，构建知识图谱，再基于图谱的拓扑关系进行检索和推理，从而提升生成答案的逻辑性和准确性。

二、RAG与GraphRAG的区别

1.知识组织形式

传统RAG：

数据存储：依赖向量数据库，将文本分割为片段后编码为向量。
结构特点：知识以独立的文本块形式存储，缺乏显式的语义关联。
局限性：难以捕捉跨文档或长文本中的复杂关系（如实体关联、事件因果）。

GraphRAG：

数据存储：构建知识图谱（Knowledge Graph），将文本中的实体、关系、事件等结构化存储为节点和边。
结构特点：知识以图结构组织，显式建模实体间的关系（如“A是B的母公司”或“C导致D”）。
优势：支持全局推理和复杂关系的跨文档检索。

2. 检索机制

传统RAG：

检索方式：基于向量相似度匹配，直接检索与问题最相关的文本块。
局限性：可能遗漏分散在多个文本块中的关联信息。对长距离依赖或复杂逻辑推理的支持较弱。

GraphRAG：

检索方式：

图遍历：通过知识图谱的边（关系）检索相关实体和子图。
子图匹配：提取与问题相关的局部图谱，保留上下文关系。
优势：支持多跳推理（例如从“A导致B”和“B导致C”推断“A间接导致C”）。能捕捉隐含的全局语义。

3.生成效果

传统RAG：

输出特点：依赖检索到的文本块直接生成答案，可能缺乏逻辑连贯性。
适用场景：简单问答、短文本生成（如单篇文档摘要）。

GraphRAG：

输出特点：基于图谱的结构化知识生成答案，更擅长复杂推理（如因果分析、事件链解释）。
适用场景：需要多文档关联的复杂问题（如“分析某公司股价下跌的原因”）。对逻辑连贯性和可解释性要求高的任务。

4.典型应用场景

场景	传统RAG	GraphRAG
简单问答	✔️ 高效准确	❌ 过度设计
多文档复杂推理	❌ 可能遗漏关联	✔️ 基于图谱的全局推理
事件因果分析	❌ 难以捕捉长距离关系	✔️ 显式建模因果关系
动态知识更新	✔️ 向量库易更新	❌ 图谱更新成本较高