图增强检索（GraphRAG）是把知识图谱（图结构）与检索增强生成（RAG）结合的方案。相比传统RAG只检索文本片段，GraphRAG还能利用实体之间的关联关系，支撑更复杂的多跳推理问题。
为什么需要GraphRAG
- 传统RAG按“相似片段”检索，适合单点问答，却难以回答需要串联多条信息的问题
- 例如“某公司与它的供应商共同投资了哪家公司”这类问题，需要沿关系链跳跃推理
- 知识图谱用节点（实体）和边（关系）显式表达这种关联
工作流程
1. 从文档中抽取实体和关系，构建知识图谱 2. 用户提问时，在图上进行检索与扩展，找到相关实体及其关系路径 3. 将检索到的结构化信息与文本片段一起送入大模型，生成答案
核心优势
- 多跳推理能力显著提升
- 对全局性、关联性问题的回答更准确
- 答案可追溯到具体的实体关系
代表实践
- 微软2023年提出GraphRAG并开源了参考实现
- 向量数据库和图数据库厂商纷纷推出内置图增强检索的能力
- 在企业知识库问答、研报分析等关联密集型场景中应用广泛
挑战
知识图谱构建成本高、更新维护复杂，与向量检索的融合策略仍需根据场景调优。