传统RAG改变了我们构建AI应用的方式。通过在生成答案前检索相关文档，它让LLM能够访问私有的、最新的知识。但存在一个根本性问题： vanilla RAG将数据视为孤立的文本块。它能找到语义上相似的内容，但会忽略关联的内容。 进入GraphRAG — 一种将知识图谱融入检索流程的范式，使LLM能够跨关系进行推理、遍历多跳连接，并在结构化、可解释的上下文中产生答案。 在本文中，我将带你了解什么是GraphRAG、为什么它重要、如何运作，以及如何构建一个完整的系统。我们将涵盖架构、代码、基础设施，以及投入生产前需要了解的权衡取舍。 1、什么是GraphRAG？GraphRAG（图检索增强生成）将知识图谱与大语言模型结合，创建了一个不仅理解数据内容，而且理解信息之间关系的检索系统。 在标准RAG流程中，你将文档分块、将它们嵌入为向量，并根据余弦相似度检索最相似的top-k块。这对于直接的事实查询效果很好——"我们的退款政策是什么？"但当答案需要综合多个文档的信息或推理实体间的关系时，它就失效了。 考虑这样一个问题："哪些参与了Project Alpha的团队成员也贡献了任何Q3计划？" 向量搜索可能会分别检索到提及Project Alpha的块和提及Q3的块，但它无法将人、项目和时间线联系起来。GraphRAG通过将实体（人、项目、日期）