传统RAG为何回答不了复杂关系问题？微软Graph RAG如何通过知识图谱实现深度推理。
核心内容：
1. 传统RAG处理结构化信息的原理与局限
2. Graph RAG构建知识图谱与社区聚类的核心步骤
3. 两种方案的成本差异与适用场景选择

最近因为工作经常接触 agent、知识库、RAG 这些词，每次遇到新概念都会去查一查，但一直没系统整理过。

今天想聊聊一个基础但重要的问题：AI 是怎么"长脑子"的？我们提问时，它是怎么检索信息的？

先说传统 RAG

RAG（Retrieval-Augmented Generation）是目前最主流的方案，原理不复杂，三步走：

• 切块：把文档切成几百字的小段

• 向量化：每段转成一串数字（向量）

• 检索：提问时把问题也转成向量，找到最相似的几段，交给大模型总结

这套方案用于处理结构化信息够用了。但如果你的知识库需要理解实体之间的关系，传统 RAG 就有点力不从心。

举个例子：

_{文档 A 写了"张三是 A 公司的法人"，文档 B 写了"A 公司全资控股 B 公司"。  你问"张三和 B 公司有什么关系？"——传统 RAG 很难把这两块分散的文本拼起来回答。} 

再比如问"这份报告的三大核心风险是什么？"，如果风险分散在 10 个章节里，传统 RAG 只能召回含"风险"字眼的几页纸，给不出全局总结。

简单说就是：只见树木，不见森林。

再说 Graph RAG

Graph RAG 是微软力推的新一代方案，思路完全不同——它不把文档当孤立的文本块，而是当成一张关系网：

1. 实体与关系抽取：用大模型从文本中提炼出"人、事、物"和它们之间的关系

2. 构建图谱：把实体和关系连成知识图谱

3. 社区聚类（灵魂步骤）：把关系紧密的实体划分为"社区"，提前为每个社区生成全局摘要

4. 检索时：不只找具体实体，还能调用社区摘要来回答宏观问题

这样就能回答"这本小说讲了什么？""用户反馈最核心的三个抱怨是什么？"这类需要全局视角的问题，也能顺着图谱的线条找到 A → B → C 这样的隐藏关联。

那该选哪个？

成本差异很明显。

传统 RAG 的开销主要是向量数据库，门槛不高。Graph RAG 则需要：

• 大量 LLM 调用来抽取实体和关系（算力成本不低）

• 人工审核数据准确性

• 图数据库（如 Neo4j，社区版功能有限，商业版价格不便宜）

所以，简单结构化信息 → 传统 RAG 就够了。 需要复杂关系检索、深度推理的话，可以在传统 RAG 基础上辅以 Graph RAG。

可以根据场景选方案，别为了高级上 Graph RAG。