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
时间轴 (近 90 天)
10月28日
Graph RAG的代价是构建和维护图谱成本较高，且对实体抽取准确性依赖较强。
待验证50%
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%
全部知识事实 (7)
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由微软研究院于2024年推动普及
70%待验证Graph RAG通常以Neo4j等图数据库作为底层支撑
80%待验证Graph RAG和Hybrid RAG等变体进一步提升了复杂知识场景下的检索精度
75%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Graph RAG的代价是构建和维护图谱成本较高，且对实体抽取准确性依赖较强。
50%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%