GraphRAG
问题：传统 RAG 按语义相似度取文本块，只能"找到相似"，无法跨文档"追踪关系"——多跳推理、实体消歧、溯源是硬伤。
核心思想：把文档转成实体+关系的知识图谱，检索时沿着关系边"走图"，而非只搜相似文本。
构建三步骤
实体抽取：识别人物/组织/概念/事件
关系映射：typed edges（"管制"、"供应"、"竞争"）
社区检测：Leiden 算法分层聚类 → 各社区生成摘要
数据表现
Microsoft 评测：多跳基准 HotpotQA 上 GraphRAG 比纯向量 RAG 高 30-60%
企业内部基准：GraphRAG 86% vs 向量 RAG 32%
ACL 2025：答案可溯源到节点/边，幻觉进一步降低，Token 消耗最多省 80%
成本账
索引阶段贵 5-10×（LLM 抽取实体+社区摘要）：1000 文档 ≈
50-200 vs 向量1-5
LazyGraphRAG：查询时才构建社区，索引成本降至全量 1/1000，质量持平
混合路由是 2026 生产最佳实践：简单查询走向量 RAG，多跳问题走 GraphRAG，可保留 85-90% 推理收益、成本接近纯向量
选型工具：Microsoft GraphRAG（开源，研究/中规模）、Neo4j+LangChain（企业生产）、FalkorDB（高性能）、Nano-GraphRAG（轻量实验）
何时不建图：单跳查询为主、文档相互独立、语料日更、无工程能力维护抽取管道。
迁移四步：审计失败查询 → 图与向量库并行构建 → 查询路由分类 → 评估后逐步扩大图查询占比。
结论：图不替代向量库，而是填补"找相似"与"找关联"之间的空白。先向量 RAG，监控多跳失败信号再上图。