GraphRAG 与传统向量 RAG 相比解决了哪些问题？

传统向量 RAG 擅长事实型局部检索，但在需要全局归纳与关系推理的场景中存在明显短板，GraphRAG 正是针对这些短板提出。

1. 全局归纳能力

• 传统向量 RAG 通过切块、向量化并召回相似片段工作，只能返回孤立的文本片段
• 面对"整个数据集的主要趋势"这类需要跨全文整合的问题时，向量 RAG 容易答案碎片化
• GraphRAG 借助社区摘要进行 map-reduce 归纳，能够回答覆盖整个语料库的全局问题

2. 多跳推理能力

• 向量检索依赖表面相似度，中间推理节点若未出现在问题中，常被相似度过滤掉
• GraphRAG 通过图谱路径遍历，将跨文档的关联信息串联，支撑连续的多跳推导

3. 结构化知识表示

• 传统 RAG 将文本"摊平"为独立片段，丢失了实体之间的关系结构
• GraphRAG 将非结构化文本转化为知识图谱，保留了实体、关系与声明的结构化信息
• 代价是索引构建更复杂、LLM 调用成本更高，更适合高价值、相对稳定的语料库