RAG End-to-End Architecture: 解释 GraphRAG 与结构化检索。

Core Concept: 用知识图谱/实体关系组织文档，支持多跳与全局问题；代价是构建成本高、维护复杂。

数学机理：<strong>向量 RAG 的局限</strong>——(a) <strong>全局问题</strong>——'这些文档整体讲了什么主题？'（向量检索只能取局部片段，无法回答'整体'问题）；(b) <strong>多跳问题</strong>——'A 公司的 CEO 的母校在哪？'（需先找 CEO 再找其母校，向量检索一次难以完成）；(c) <strong>关系问题</strong>——'X 与 Y 是什么关系？'（需遍历关系）。<strong>GraphRAG（微软）</strong> 的做法：(1) <strong>实体与关系抽取</strong>——用 LLM 从文档中抽取<strong>实体</strong>（人、组织、事件）与<strong>关系</strong>，构建<strong>知识图谱</strong>；(2) <strong>社区检测与摘要</strong>——用图算法（如 Leiden）把图分成<strong>社区（cluster）</strong>，为每个社区生成<strong>摘要</strong>（描述该社区的主题）；(3) <strong>查询时的两种模式</strong>——(a) <strong>Local search</strong>——针对具体实体/问题，从相关实体出发遍历图（获取邻域信息）；(b) <strong>Global search</strong>——针对'整体主题'问题，用<strong>社区摘要</strong>（map-reduce：各社区摘要分别回答、再汇总）。<strong>优势</strong>：(a) <strong>全局总结能力</strong>（社区摘要提供'语料整体'的视图）；(b) <strong>多跳推理</strong>（沿图遍历）；(c) <strong>可解释</strong>（答案可追溯到实体与关系路径）。<strong>代价</strong>：(a) <strong>构建成本高</strong>（LLM 抽取实体关系很贵，且需处理重复实体）；(b) <strong>维护难</strong>（文档更新需增量更新图）；(c) <strong>抽取质量依赖 LLM</strong>（错误抽取会传播）；(d) <strong>不适合所有场景</strong>（简单事实查找用向量 RAG 更经济）。<strong>其他结构化方案</strong>——(a) <strong>RAPTOR</strong>（递归摘要树：把文档聚成层次化的摘要树，支持不同粒度的检索）；(b) <strong>表格/数据库检索</strong>（Text-to-SQL，把结构化查询交给数据库）；(c) <strong>元数据过滤 + 向量检索</strong>（用结构化字段缩小范围）。<strong>选择依据</strong>——(a) <strong>简单事实查找</strong> → 向量 RAG（便宜有效）；(b) <strong>多跳/关系/全局总结</strong> → GraphRAG 或 RAPTOR；(c) <strong>结构化数据</strong> → Text-to-SQL。

深度剖析与工程权衡：① <strong>'全局问题'是 GraphRAG 的核心卖点</strong>——向量 RAG 对'这个语料库讲了什么主题'这类问题几乎无能为力（因为它只能检索局部片段）；社区摘要提供了'层次化的全局视图'。这是 RAG 研究的重要方向。② <strong>'构建成本'是主要障碍</strong>——LLM 抽取实体关系对大规模语料的成本可能超过'训练一个小模型'；故 GraphRAG 适合'语料规模中等、查询价值高'的场景（如企业内部知识库、法律/医疗）。③ <strong>'实体消歧'是难点</strong>——同一实体可能有多种表述（'苹果公司' vs 'Apple Inc.'）；需实体链接/消歧（否则图会碎片化）。④ <strong>'RAPTOR'是更轻量的替代</strong>——它用'递归聚类 + 摘要'构建层次结构（无需显式关系抽取），成本低于 GraphRAG 但也能支持'不同粒度'的检索；是'全局问题'的实用方案。⑤ <strong>与'多跳检索'的关系</strong>——多跳问题也可用'迭代检索'（IRCoT：边推理边检索）解决，不一定需要图；图的价值在'显式的关系结构与全局视图'。⑥ <strong>面试要点</strong>——被问'GraphRAG 解决什么'，应给出'<strong>向量 RAG 的局限（全局/多跳/关系）+ 图构建与社区摘要 + local/global 两种查询模式</strong>'与'<strong>构建成本高、维护难</strong>'的代价；能提到 RAPTOR 作为更轻量替代是深度理解的标志。