🧠 图解记忆： 向量 RAG 找“像的片段”，GraphRAG 找“有关联的事实链”；简单事实与多跳关系应走不同路径。

💡 答案要点

传统向量 RAG 的问题：

用户问题："苹果公司CEO都做了哪些环保措施？"

向量检索：找与"苹果CEO环保"语义最相似的文档
→ 可能返回多篇关于Tim Cook、环保政策、苹果公司的独立文章
→ 难以关联"CEO"和"环保措施"之间的关系
→ 无法回答需要多跳推理的问题

GraphRAG 解决方案：

# 知识图谱结构：
# (苹果公司) --[CEO]--> (Tim Cook) --[推动]--> (环保政策)
# (苹果公司) --[总部]--> (加州) --[气候]--> (清洁能源)

# 用户问题 → 拆解为子问题：
# 1. Tim Cook是谁？→ (苹果公司CEO)
# 2. 他推动了哪些环保措施？→ 查询 (Tim Cook) --[推动]--> (?)

# GraphRAG 返回的不是文档，而是知识图谱子图
subgraph = {
    "nodes": ["Tim Cook", "苹果公司", "环保措施A", "环保措施B"],
    "edges": [
        ("Tim Cook", "CEO", "苹果公司"),
        ("Tim Cook", "推动", "环保措施A"),
        ("Tim Cook", "推动", "环保措施B")
    ]
}

GraphRAG vs 向量 RAG 对比：

维度	向量 RAG	GraphRAG
检索单元	文档片段	知识图谱子图
关系理解	❌ 弱（靠语义相似）	✅ 强（图结构显式关系）
多跳推理	❌ 差（一跳问询）	✅ 好（多跳关联）
复杂问题	一般	✅ 优秀（理解问题结构）
实现复杂度	低	高（需要构建知识图谱）
构建成本	低（直接切分文档）	高（需要NLP提取实体关系）

GraphRAG 适用场景：

场景	向量 RAG	GraphRAG
"查找苹果公司的环保报告"	✅	✅
"Tim Cook 推动了什么环保政策？"	✅	✅
"苹果公司CEO和谷歌CEO谁更关注环保？"	❌	✅
"过去5年科技公司CEO环保措施对比"	❌	✅

面试话术：

"GraphRAG 的核心是知识图谱——把文档里的实体（人物、公司、地点）和关系（CEO、推动、合作）抽出来构成图。检索时不是找相似文档，而是找图里的子路径。比如问'苹果和谷歌CEO的环保对比'，向量 RAG 只能各自召回文章，GraphRAG 能关联出两个人的具体环保举措。缺点是构建成本高，需要 NLP 提取实体关系。"

📚 参考：Microsoft GraphRAG 官方项目（原论文：From Local to Global） · GraphRAG 论文：Unlocking LLM Discovery on Narrative Private Data