RAG應用-GraphRAG

GraphRAG VS 傳統RAG

特性维度	傳統 RAG	GraphRAG
數據結構	平面、獨立的文檔Chunk（Vector表示）	圖結構（Node表示實體或概念，Edge表示關係）
檢索機制	基於Vector相似度（如cosine相似度）進行語義搜索	基於圖遍歷（如隨機遊走、圖卷積網絡），支持多跳推理
上下文建模	依賴檢索到的獨立文本片段，上下文理解有限	利用圖中節點間的顯式關係，能捕捉更深層、更廣泛的上下文語義關聯
推理能力	較弱，主要用於單跳檢索和簡單問答	強大，支持多跳推理、複雜關係理解和因果追溯
適用場景	簡單問答、文檔摘要、基於內容的快速事實檢索	複雜推理、關係查詢、跨文檔分析、領域知識深度應用（如醫療、金融、法律）
實現複雜度	相對較低，主要涉及文本切分、向量化和相似性檢索	較高，需構建和維護圖結構，可能需圖算法或圖神經網絡支持
可解釋性	較低，通常缺乏清晰的答案生成路徑說明	較高，答案基於圖中的關係路徑生成，推理過程更透明、可追溯
典型工具	LangChain, LlamaIndex, Weaviate, FAISS	Microsoft GraphRAG, Neo4j, LangChain (支持圖譜檢索)
處理查詢示例	“iPhone 13 是哪年發布的？”	“糖尿病患者合併高血壓且腎病史，最佳治療方案是什麼？”