M5-082M5: NLP 与大语言模型RAG 全链路Hard
⚡闪卡盲测➔掌握度:

解释 GraphRAG 与结构化检索。

🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
下一题: M5-083 →
📐 核心数学机理公式
GraphRAG: entity-relation graph+community summaries;query: local∥global\text{GraphRAG}:\ \text{entity-relation graph}+\text{community summaries};\qquad \text{query}:\ \text{local}\|\text{global}
⚡ 一句话直击要害答案
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。

📌 核心要点提炼

  • •
    把文档抽成实体-关系图(+ 社区摘要)
  • •
    优势:多跳推理、全局总结('整个语料讲了什么')
  • •
    代价:构建贵(LLM 抽取)、维护难、更新复杂

📐 数学机理与严密推导

数学机理:向量 RAG 的局限——(a) 全局问题——'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) 多跳问题——'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) 关系问题——'X 与 Y 是什么关系?'(需遍历关系)。GraphRAG(微软) 的做法:(1) 实体与关系抽取——用 LLM 从文档中抽取实体(人、组织、事件)与关系,构建知识图谱;(2) 社区检测与摘要——用图算法(如 Leiden)把图分成社区(cluster),为每个社区生成摘要(描述该社区的主题);(3) 查询时的两种模式——(a) Local search——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) Global search——针对'整体主题'问题,用社区摘要(map-reduce:各社区摘要分别回答、再汇总)。优势:(a) 全局总结能力(社区摘要提供'语料整体'的视图);(b) 多跳推理(沿图遍历);(c) 可解释(答案可追溯到实体与关系路径)。代价:(a) 构建成本高(LLM 抽取实体关系很贵,且需处理重复实体);(b) 维护难(文档更新需增量更新图);(c) 抽取质量依赖 LLM(错误抽取会传播);(d) 不适合所有场景(简单事实查找用向量 RAG 更经济)。其他结构化方案——(a) RAPTOR(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) 表格/数据库检索(Text-to-SQL,把结构化查询交给数据库);(c) 元数据过滤 + 向量检索(用结构化字段缩小范围)。选择依据——(a) 简单事实查找 → 向量 RAG(便宜有效);(b) 多跳/关系/全局总结 → GraphRAG 或 RAPTOR;(c) 结构化数据 → Text-to-SQL。

🏭 深度剖析与工业落地权衡

深度剖析与工程权衡:① '全局问题'是 GraphRAG 的核心卖点——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 '构建成本'是主要障碍——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 '实体消歧'是难点——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 'RAPTOR'是更轻量的替代——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 与'多跳检索'的关系——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 面试要点——被问'GraphRAG 解决什么',应给出'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'与'构建成本高、维护难'的代价;能提到 RAPTOR 作为更轻量替代是深度理解的标志。
⚠️ 常见面试陷阱与高频失分点
  • ✕
    对所有场景都用 GraphRAG(成本高,简单问题用向量 RAG 即可)
  • ✕
    忽略实体消歧问题
🎯 面试官连环追问与延伸考察
  • ?
    GraphRAG 解决向量 RAG 的什么问题?
  • ?
    社区摘要的作用?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
🎯 立即在闪卡中盲测此题➔
📚

关联知识库专题与交互式导图

← 上一题M5-081: 解释 query 改写与 HyDE。📋 返回题库下一题 →M5-083: 解释长上下文 vs RAG 的取舍。