第 8 课的 RAG 靠"语义相似度"找资料——但有一类问题它天生答不了。GraphRAG 把文档变成知识图谱来补这个洞。
| 维度 | Naive RAG(第 8 课) | GraphRAG |
|---|---|---|
| 检索单位 | 文本块(chunk) | 实体、关系、社区摘要 |
| 擅长问题 | "年假怎么申请"这类答案在某一段里的问题 | "主要根因有哪些""A 和 B 什么关系"这类全局/多跳问题 |
| 离线成本 | 切块 + 向量化(便宜) | LLM 抽实体建图 + 社区摘要(贵,文档更新要重建) |
| 运维提示 | chunk 粒度与 embedding 质量是关键 | 图谱新鲜度是新的运维对象:文档更新触发增量重建 |
用 LLM 从文本里抽出"谁—什么关系—谁"三元组(如 磁盘故障 —导致→ XID 79)。
🧠 类比:从告警文本里提取"服务—依赖—服务"拓扑。
把图里抱团的节点分成社区(Leiden 算法),再让 LLM 给每个社区写摘要——全局问题的答案就藏在摘要里。
🧠 类比:服务自动分域 + 每域生成 README。
局部:沿图找实体邻域作上下文;全局:把社区摘要喂给模型做归纳。
🧠 类比:精确查拓扑 vs 看架构总览。
蚂蚁的 KAG 是同类框架(知识增强生成);上游有 GraphRAG 学习指南与 Neo4j/Cypher 实战。
🧠 想动手:Neo4j + 一批文档就能复现最小闭环。
Q1 · 哪类问题最需要 GraphRAG 而不是 Naive RAG?
Q2 · GraphRAG 回答"全局性问题"靠的是?
Q3 · GraphRAG 相比 Naive RAG 的主要代价?