← 返回概念解读

Concept Fable精修版

图增强检索生成

Graph RAG · Knowledge-augmented generation

先读故事。这里不急着给定义,先让问题自己长出来。

寓言故事

卷宗之间终于画出了关系线

老城族谱馆原本靠一套熟办法运转。寻亲师查案时通常按姓名抽卷,按旧节奏办事时很少出岔子;来访者也能拿到一摞看似相关的纸。

后来事情变大了。旅人要查一桩跨三代的继承纠纷,催促声从清晨排到傍晚。新人以为这是数量问题,只要多派人、多加钟点就行;老人却看见许多细节已经越过旧办法能承受的边界。

掌事人试了第一个办法:只按姓名抽出几页纸。开头几天确实看见起色,队伍短了些,外人也觉得这门手艺终于跟上了新场面。

可麻烦很快换了样子。有人为了赶进度省掉检查,有人把不合适的活硬塞进旧流程,最熟练的人反而被琐事拖住。出错处不总在明面上,常等到交付之后才露出来。 旧账本还能说明来路,却说不清下一步该怎么改。

掌事人又加了规矩,要求每个人多签字、多回报、多补一层保护。纸面看起来周全,现场却更慢;师傅们忙着证明自己没错,真正的裂缝仍在原处扩大。旁观者只看到结果忽好忽坏,现场的人越来越难判断该先救速度、质量,还是责任。 每个人都觉得自己多做了一点,整件事却没有因此更稳。

一位沉默的老匠人把几次失败摊在桌上。他没有责怪谁,只让大家看同一个细节:新限制从来没有进入日常练习,只在交付前突然冒出来。他把几次返工按发生顺序排开,众人才发现,失误总在同一个拐角被放大。

于是作坊改成了新规:把亲缘、地契、婚约和见证人连成线索图,再沿图追问。刚开始人人不适应,手脚都像被拴住;但几轮下来,粗糙的捷径被挡住,真正稳妥的动作慢慢留下来。

再遇到同样的压力时,交付没有变得花哨,却明显更可靠。寻亲师终于明白:当答案藏在关系里,单张纸再清楚也不够。若等到最后才补救,代价往往已经埋进前面的每个选择里;这条新路没有消灭成本,却让成本提前现身,方便在还能改动的时候被处理。

揭示

这个故事讲的是:图增强检索生成

图增强检索生成(Graph RAG)把知识图谱、实体关系、图遍历或社区摘要引入 RAG。传统 chunk-level vector search 擅长找相似文本,但对多跳关系、实体关联、供应链/组织/合同链路这类问题容易漏掉结构。Graph RAG 会先抽取实体和关系,构建图结构;查询时可沿图遍历相关节点、边和社区,再把证据文本提供给模型生成答案。它适合企业知识库中的跨文档关系问题,但需要实体抽取、关系抽取、图更新、去重、权限控制和证据回链,工程复杂度高于普通 RAG。

它重要的地方在于:它不只是一个术语,而是在真实 AI / Agent 系统里会反复出现的结构性问题。理解它,才能判断什么时候该加模型,什么时候该改流程,什么时候该补治理。

隐喻映射

  • 按卷宗找相似文字:普通 chunk-level vector RAG
  • 北岸仓库影响哪些大客户:需要跨实体、跨文档、多跳关系的问题
  • 切得更细但关系更散:单纯 chunking 不能解决关系结构缺失
  • 很长摘要漏掉关键连接:摘要不能替代可查询的关系图
  • 抽出人、公司、订单、地点、产品和事件:entity extraction
  • 关系画成线:knowledge graph 中的 edges 或 triples
  • 沿关系线取证:graph traversal / relationship retrieval
  • 相关原文带回来核对:Graph RAG 仍需要证据文本支撑生成
  • 社区摘要:GraphRAG 中常见的 community detection 与 higher-level summaries

Soloharness 判断

这个概念的实战价值,是帮你把“看起来聪明的 AI 功能”拆成可交付、可验收、可治理的工作单元。

knowledge graphentity extractiongraph traversalRAGcommunity detectionrelationship retrieval