11. GraphRAG 和多跳检索适合什么场景？

整理 GraphRAG 和多跳检索适合什么场景？ 的核心概念、工程要点与面试回答。

简单回答

GraphRAG 是用知识图谱（Knowledge Graph）增强 RAG 的检索能力，适合需要跨文档推理、涉及实体关系、以及需要多跳推理的场景。比如"A 公司的 CEO 的母校有哪些知名校友"——这需要先找到 CEO 是谁、他的母校是哪、再找该校的知名校友，普通向量检索很难一次性召回所有相关信息。多跳检索（Multi-hop Retrieval）则是在检索过程中进行多轮迭代检索，每一轮基于上一轮的结果进一步深入。

详细解释

为什么普通 RAG 不够

传统 RAG 的检索方式本质上是"一跳"的——用户问一个问题，检索一次，拿到结果，生成答案。这对于简单的事实性问题足够了（"产品 A 的价格是多少"），但对于需要关联多个信息源、做推理串联的问题就力不从心了。

典型的困难场景：用户问"我们和竞品 B 相比，哪些功能指标更好"——答案散落在"我们的产品文档"和"竞品分析报告"两类完全不同的文档中，一次检索很难同时召回两边的相关内容。又比如"去年 Q4 和今年 Q1 的销售额对比"——需要跨时间维度关联数据。

GraphRAG 的核心思路

GraphRAG 的做法是在传统的向量索引之外，额外构建一个知识图谱。知识图谱以实体（Entity）为节点、以关系（Relation）为边，存储结构化的知识。比如：

(张三, 任职于, A公司)
(A公司, 产品, 产品X)
(产品X, 竞品, 产品Y)
(产品Y, 所属, B公司)

检索时，除了做向量检索外，还可以在图上做图遍历——从用户 query 中识别出关键实体，在图谱中找到相关的实体和关系，然后把图谱信息和向量检索结果一起作为上下文给模型。

微软 2024 年发布的 GraphRAG 方案比较有代表性。它的做法是用 LLM 从原始文档中抽取实体和关系构建图谱，然后对图谱做社区检测（community detection），把密切关联的实体聚类成社区，为每个社区生成摘要。检索时不仅匹配单个文档片段，还能拿到社区级别的摘要——这种"全局视图"的能力是普通 RAG 做不到的。

多跳检索

多跳检索的思路是在检索过程中做多轮迭代。第一轮检索拿到初步结果后，分析结果中还缺什么信息，生成新的检索 query，再做第二轮检索。这个过程可以重复多次。

比如用户问"DeepSeek-V3 的 MoE 专家数量和 Mixtral 比怎么样"。第一跳可以检索 DeepSeek-V3 的 MoE 配置，拿到结果后发现还需要 Mixtral 的数据，第二跳再去检索 Mixtral 的 MoE 配置，最后把两次的结果合并给模型做对比生成。

多跳检索的实现通常和 Agent 结合——让 LLM 在每一跳之后判断"信息是否充分"，如果不充分就自动生成下一跳的 query。这其实已经接近 Agentic RAG 的范畴了。

适用场景和局限

GraphRAG 适合以下场景：知识库中实体关系复杂、用户问题经常涉及跨文档推理、需要"全局性"的总结或分析（比如"公司所有产品的共同技术特点是什么"）。在企业知识管理、金融研报分析、学术文献综述等领域有明显价值。

但 GraphRAG 的代价不小。知识图谱的构建成本很高——从非结构化文档中抽取实体和关系，要么靠人工标注，要么靠 LLM 批量抽取（微软的方案就是用 GPT-4 抽取的，成本不低）。图谱的维护和更新也是问题——文档更新了，图谱需要同步更新，关系可能变化。另外，图谱的质量直接影响效果，如果抽取的实体和关系噪声很大，图谱反而会引入误导。

多跳检索的代价主要是延迟——每多一跳就多一次检索和一次 LLM 调用，端到端延迟会成倍增加。如果跳数不受控（LLM 一直觉得信息不充分），可能会陷入无效循环。

对于大多数 RAG 场景，做好向量检索 + BM25 混合检索 + Rerank 已经能覆盖 80% 以上的需求。GraphRAG 和多跳检索是在这个基础上的进阶方案，不要在基础还没打好的时候就急着上复杂架构。

面试时可以这样答

GraphRAG 和多跳检索主要解决的是普通 RAG 在跨文档推理和复杂关联查询上的短板。

传统 RAG 是"一跳"检索，用户问一个问题检索一次拿结果。但很多实际问题需要关联多个来源的信息——比如跨文档对比、涉及多个实体关系的推理。这种场景下，一次向量检索很难召回所有需要的信息。

GraphRAG 的做法是额外构建知识图谱，用实体和关系把分散在不同文档中的知识关联起来。检索时可以在图上遍历，拿到单纯向量检索拿不到的关联信息。微软的方案还做了社区聚类和摘要，能提供全局性的视角。

多跳检索则是在检索过程中做多轮迭代，每一轮基于上一轮的结果判断信息是否充分，不充分就继续检索。这通常和 Agent 结合。

但这两种方案都有成本。GraphRAG 的图谱构建和维护成本很高，多跳检索的延迟会成倍增加。对大多数场景来说，先把基础 RAG 做好——向量检索加 BM25、Rerank——比直接上 GraphRAG 更优先。

常见追问

  1. 知识图谱从非结构化文档中怎么自动构建？准确率能到多少？
  2. GraphRAG 和传统知识图谱问答（KBQA）有什么区别？
  3. 多跳检索的跳数怎么控制？怎么避免无效循环？
10. RAG 效果差时应该怎么排查？
12. 如何设计 RAG 的评测指标？