Graph RAG 不是炒作：向量检索解决不了的多跳问题它来补
KarabasBarbados · reddit · 2026-11-12
作者认为 Graph RAG 是对朴素 RAG 头号失败模式的修复，而非可选优化。
朴素 RAG 的问题：cosine 相似度只找到「长得像查询」的 chunk，找不到因果/逻辑关联的 chunk。面对需要串联多条信息的问题，LLM 只能拿到零散片段，要么编造桥梁要么说上下文不足。
Graph RAG 做法：用 LLM 抽取实体与关系构建知识图谱，查询时遍历图找到相关连通子图，让 LLM 看到结构化的关联事实而非语义相近的文本堆。
适用场景：多跳推理（A→B→C）、需要因果上下文的 why/how 问题、同一实体在不同位置有复杂关系的语料（法律、财报、技术规格、病历）。
仍然很痛的地方：大规模实体抽取贵且慢；schema 不好图就变毛线球；简单事实检索用它纯属浪费还加延迟；语料变更时维护成本高。
结论：未来是混合方案——向量检索做入口、图遍历做上下文增强。2 跳以上就失败、实体关系复杂就上 Graph RAG，只是找段落就用向量索引更便宜。
所属事件:观点文章称 Graph RAG 弥补向量检索的多跳短板(2 条相关)→
「编程与Agent」频道最新
- 开发者一小时复刻 Perch:开源工具在 Mac 刘海区实时显示 Claude Code 会话 — demian_ai · 2026-11-12
- PyTorch 原生上 TPU：TorchTPU 入门教程 — kuanhoong · 2026-11-12
- antirez:前沿 LLM 已能搞定迁移移植这类「看情况办事」的开放任务 — antirez · 2026-11-12
- shadcn 宣布 "Era Two"：发布日开启新阶段 — shadcn · 2026-11-12
- 咨询公司创业公司 Foaster 融合智能体,让整个项目工作流可交给 AI 执行 — RaphaelDabadie · 2026-11-12
- 实测 1400 封外联信：29.7% 回复率的 4 步 AI 获客工作流 — aryanXmahajan · 2026-11-12