概念GraphRAG

Graph RAG

Graph RAG（图增强检索生成）是一种将知识图谱与检索增强生成（RAG）技术相结合的信息检索与生成框架。其核心机制是将文本语料构建为图结构（节点表示实体，边表示关系），在检索阶段利用图的拓扑关系进行多跳推理和关联信息聚合，从而弥补传统RAG在处理复杂关联查询和全局语义理解方面的不足，最终将检索结果输入大语言模型以生成更准确、上下文更丰富的回答。

核心事实

RAG的技术演进经历了三个阶段：Naive RAG、Advanced RAG和Modular RAG

已验证80% 置信6 来源

Graph RAG通过知识图谱的实体和关系图遍历来处理多跳推理类问题，适用于文档间关系复杂的场景

已验证65% 置信3 来源

知识图谱与RAG结合的Graph RAG被认为是当前效果最好的RAG方案之一

部分验证65% 置信3 来源

时间轴 (近 90 天)

8月31日

GitDecode采用的「知识图谱+大模型」方案可以理解为一种Graph RAG实践

待验证50%

7月6日

Advanced RAG引入查询重写、混合检索、重排序（Reranker）等机制提升召回质量，Modular RAG将检索、生成、验证等模块解耦

待验证50%

7月2日

Graph RAG通过知识图谱的实体和关系图遍历来处理多跳推理类问题，适用于文档间关系复杂的场景

已验证65%

全部知识事实 (5)

已验证

RAG的技术演进经历了三个阶段：Naive RAG、Advanced RAG和Modular RAG

80%已验证

Graph RAG通过知识图谱的实体和关系图遍历来处理多跳推理类问题，适用于文档间关系复杂的场景

65%部分验证

知识图谱与RAG结合的Graph RAG被认为是当前效果最好的RAG方案之一

65%待验证

GitDecode采用的「知识图谱+大模型」方案可以理解为一种Graph RAG实践

50%待验证

Advanced RAG引入查询重写、混合检索、重排序（Reranker）等机制提升召回质量，Modular RAG将检索、生成、验证等模块解耦

50%

来源文章

AI大模型就业市场两大方向深度解析：工程化落地vs算法研究6月1日 RAG技术入门：从大模型幻觉到检索增强生成的完整指南5月27日