面试题详解：GraphRAG 全面解析——知识图谱增强 RAG、Local Search、Global Search、社区摘要、工程落地与评估指标一次讲透

一、什么是 GraphRAG1.1 先用一句话讲清楚GraphRAG 可以理解为在传统 RAG 的基础上把文档里的实体、关系、事件和主题组织成一张图再利用这张图来增强检索和生成。普通 RAG 更像“在文档块里找相似内容”GraphRAG 更像“先画一张知识地图再沿着地图找答案”。这就好比你查一本厚厚的公司制度手册。普通 RAG 会根据问题找几个相似段落GraphRAG 则会进一步知道这个制度关联哪些部门、哪些角色、哪些流程、哪些历史事件以及它们之间是什么关系。这样当问题需要跨多份文档、多个实体、多条关系时GraphRAG 就更有发挥空间。1.2 GraphRAG 不是把所有东西都塞进图数据库很多人一听 GraphRAG就误以为“GraphRAG Neo4j RAG”。这种理解太窄了。GraphRAG 的重点不只是存储方式而是检索方式和知识组织方式发生了变化。它强调先把非结构化文本转成实体、关系、社区和摘要再基于这些结构来找证据、做推理、生成答案。二、为什么普通 RAG 不够2.1 普通 RAG 擅长局部事实不擅长复杂关系如果用户问“某个制度第几条怎么规定”答案就在某个文档片段里普通 RAG 通常足够。但如果用户问“为什么这个客户不能退款”“这批工单主要反映了哪些问题”“哪些产品受某条新规则影响”这类问题就不是一个文本片段能解决的。普通向量检索是按语义相似度找文本块它不天然理解实体之间的关系也不天然擅长全局总结。GraphRAG 则通过图结构补上这部分能力实体是节点关系是边相关节点形成社区社区再生成摘要。三、GraphRAG 的核心流程3.1 离线建库阶段先把文档变成图GraphRAG 的离线阶段比普通 RAG 更重。普通 RAG 通常做文档解析、文本切分、向量化、写入向量库GraphRAG 在此基础上还会做实体抽取、关系抽取、知识图谱构建、社区发现、社区摘要生成。举个例子一批客服工单进入系统后GraphRAG 会尝试抽取“客户、订单、商品、物流节点、退款规则、客服人员、工单状态”等实体再抽取“提交、包含、影响、导致、适用、关联”等关系最后把这些信息连成图。3.2 在线查询阶段按问题类型选择检索路径问题进来后系统需要先判断这是局部问题还是全局问题如果是局部问题比如“某个客户的售后工单为什么失败”就围绕实体及其邻居节点找证据如果是全局问题比如“本月售后问题集中在哪些主题”就读取社区摘要再融合多个社区的信息生成答案。GraphRAG 建库流程四、GraphRAG 的核心数据结构4.1 节点、边、社区和摘要分别是什么节点一般代表实体比如人、公司、产品、订单、规则、项目、事件。边代表实体之间的关系比如负责、包含、影响、导致、依赖、属于。社区则是一批高度相关的节点组成的主题簇比如“退款规则社区”“物流异常社区”“用户投诉社区”。社区摘要就是对这个主题簇的压缩总结主要用于回答全局问题。4.2 为什么必须保留原文证据GraphRAG 不能只保留图结构。因为图里的节点和边可能抽错也可能过时。最稳妥的做法是每个节点、每条边、每段社区摘要都要能回到原文证据。这样生成答案时既能利用图结构又能引用真实来源减少幻觉。五、GraphRAG 工程落地路线5.1 不建议一开始就做很重的 GraphRAG工程上最稳妥的路线是先把普通 RAG 做扎实包括解析、切分、向量召回、重排、引用、评估。只有当你发现大量问题属于多跳关系、跨文档关联和全局总结时再逐步引入图结构。5.2 Schema 比模型更重要GraphRAG 里最容易被低估的是 Schema 设计。也就是你到底要抽哪些实体、哪些关系、哪些属性。如果 Schema 太宽图谱会膨胀如果 Schema 太窄又回答不了复杂问题。好的 Schema 往往来自业务而不是来自模型本身。5.3 更新机制必须提前设计普通向量库更新已经不算简单GraphRAG 的更新更复杂。因为新文档进来后不只是新增文本块还可能改变实体关系、社区结构和社区摘要。因此需要考虑增量更新、实体合并、旧边失效、摘要刷新和版本回滚。六、GraphRAG 适合哪些场景6.1 关系密集、跨文档、多跳推理是 GraphRAG 的主战场GraphRAG 很适合企业知识库、智能客服、合同审查、合规审计、科研文献分析、情报分析、项目管理等场景。因为这些场景里的知识往往不是孤立文本而是大量实体和关系交织在一起。比如客服系统里用户、订单、商品、物流、售后规则、工单状态之间存在明显关系合规审计里主体、合同、条款、义务、风险和责任方之间也存在复杂关系。这类场景如果只靠向量检索容易看到碎片却看不到结构。6.2 不适合一上来就用的场景如果知识库很小、问题很简单、答案基本都在单个片段里普通 RAG 更划算。如果文档更新特别频繁但团队没有资源维护图谱更新GraphRAG 反而可能增加复杂度。如果系统要求极低延迟也要谨慎因为图检索和社区摘要会带来额外成本。七、GraphRAG 常见坑和治理方法7.1 最大的风险错误关系会放大错误在普通 RAG 里如果一个 chunk 召回错了影响可能只是一条证据。而在 GraphRAG 里如果一条关系抽错它可能把一串不相关的节点连接起来导致后续检索和生成都被带偏。这就是图结构的双刃剑。7.2 实体消歧是必须做的基础工作同一个实体可能有多个名字比如“阿里巴巴”“阿里”“Alibaba Group”同一个产品也可能有简称、全称、历史名称。如果不做实体消歧图会被拆得很碎很多本该连起来的关系连不起来。7.3 查询路由决定成本和体验不是所有问题都应该走 GraphRAG。简单问题可以先走 FAQ 或普通 RAG只有关系型、多跳型、全局总结型问题才升级到 GraphRAG。这样既能控制成本也能降低延迟。八、GraphRAG 怎么评估8.1 评估要多一层图谱质量普通 RAG 通常评检索质量、生成质量和端到端效果。GraphRAG 还要评图谱本身比如实体抽取准不准、关系抽取准不准、社区划分是否合理、社区摘要是否覆盖主题、节点和边能否回溯原文证据。8.2 只看最终答案不够如果最终答案错了可能是图谱抽错、关系边错、社区摘要错、查询路由错、证据召回错也可能是生成阶段胡编。只有分层评估才能真正定位问题。九、面试高频追问与标准回答9.1 GraphRAG 和普通 RAG 最大区别是什么普通 RAG 主要依靠文本块相似度检索GraphRAG 会先构建实体关系图和社区摘要再基于图结构进行检索和生成。它更适合关系密集、多跳推理、跨文档关联和全局总结类问题。9.2 GraphRAG 的核心流程是什么先做文档解析和切分再抽取实体和关系构建知识图谱接着做实体消歧、社区发现和社区摘要在线查询时根据问题类型走局部图检索、全局社区摘要检索或混合检索最后把证据交给大模型生成答案。9.3 GraphRAG 的优点是什么它能更好地处理跨文档、多跳、关系型和全局性问题能把零散文本组织成结构化知识回答时更容易沿着实体关系给出解释也更适合做企业级复杂知识分析。9.4 GraphRAG 的缺点是什么成本更高建库更复杂实体关系抽取可能出错图谱更新和实体消歧难度较大社区摘要可能丢细节。如果普通 RAG 已经足够不一定要强行上 GraphRAG。9.5 GraphRAG 什么时候值得用当业务中存在大量实体、关系、流程、规则和跨文档依赖时尤其是用户经常问“为什么”“有什么关联”“整体主题是什么”“哪些对象受影响”这类问题时GraphRAG 就值得考虑。十、总结GraphRAG 的本质是给 RAG 加上一张可推理的知识地图GraphRAG 不是为了炫技而建图而是为了解决普通 RAG 在关系推理、跨文档关联和全局总结上的不足。它把文档里的实体、关系和主题社区抽出来让系统不再只是找相似文本而是能沿着知识结构找证据。但 GraphRAG 也不是银弹。它需要更高的建库成本、更复杂的更新机制、更严格的抽取质量控制。如果你的问题只是单点问答普通 RAG 更简单、更便宜。如果你的业务知识关系密集、文档多、问题经常跨多份资料那么 GraphRAG 就能显著提升系统的组织能力和回答质量。一句话收尾普通 RAG 解决“在哪个片段里”GraphRAG 解决“这些片段之间是什么关系”。真正落地时最好的方案往往不是二选一而是普通 RAG、GraphRAG、FAQ、重排和查询路由一起协作。附30 秒快答模板GraphRAG 是在 RAG 中加入图结构的增强方案。它会从文档里抽取实体和关系构建知识图谱并通过社区发现和社区摘要支持全局查询。相比普通 RAGGraphRAG 不只是找相似文本块而是利用实体、关系和主题社区来增强检索与生成。它适合多跳推理、跨文档关联、关系密集和全局总结类问题缺点是建库成本更高实体关系抽取可能出错图谱更新和实体消歧更复杂。工程落地时建议先把普通 RAG 做稳再按问题类型引入图检索和社区摘要并通过分层评估持续优化。