考察点
这道题考的是你理解「向量检索的结构性短板」有多深。普通 RAG 检索的是语义相似的片段，而多跳问题需要的不是相似性，是实体之间的关系链。面试官想听到：GraphRAG 怎么把文档变成图、查询时怎么用图、为什么微软那套社区摘要方案能回答全局性问题，以及它的成本代价是什么。追问常往「图谱怎么构建」「什么场景不值得上 GraphRAG」「和 Text2SQL 的边界」走。
参考答案
向量 RAG 的结构性短板
普通 RAG 的前提是：答案藏在某一个或几个语义相似的 chunk 里。这个前提对两类问题失效：
- 多跳推理：「A 公司的创始人之前创立的那家公司，被谁收购了？」答案分散在三个文档里，每一跳单独的 query 都和原文语义不相似——你都不知道中间实体是谁，query 里根本没有它的词。向量检索对这种链条式问题天然不行；
- 全局性问题：「这批财报里反映了哪些共同的经营风险？」这不是找某个片段，而是要对整个语料做聚合归纳。top-k 检索无论 k 取多大，都只能捞到一个局部。
根本原因是：向量索引保留的是「文本片段的语义」，丢掉了「实体与实体之间的关系」。
GraphRAG 的基本思路
GraphRAG 在入库阶段多走一步：用 LLM 从文本里抽实体和关系，构建知识图谱，检索时沿图结构找信息。以微软开源的 GraphRAG 为例，完整流程分两块：
索引构建阶段：
- 文档切 chunk，对每个 chunk 用 LLM 抽实体（人、公司、概念）和关系（任职、收购、属于），这一步是整个流程最贵的地方，token 消耗大概是普通入库的数倍；
- 实体消歧与对齐：「马斯克」「Elon Musk」「马总」合并成同一个节点，通常靠 LLM 判断加 embedding 相似度辅助；
- 图聚类：用 Leiden 算法在图上做社区检测，把关系紧密的实体聚成一个个社区，层层递归形成层级结构；
- 社区摘要：对每个社区用 LLM 预生成摘要——「这个社区讲的是 XX 公司及其供应链关系」，摘要是提前算好的。
查询阶段分两种模式：
- Local Search：针对具体实体的问题。从 query 里识别实体 → 定位图中的节点 → 拉出邻居节点、相关关系、关联原文 chunk → 混合排序后生成。多跳在这里变成了图上的路径遍历，链条断了也能发现；
- Global Search：针对全局性问题。不检索 chunk，而是让各层社区摘要做 map-reduce：每个社区摘要先对问题局部作答，再汇总成最终答案。这相当于查询时读的是整个语料的「预消化提纲」。
和普通 RAG 的根本区别
一句话概括：普通 RAG 索引的是「文本」，GraphRAG 索引的是「文本里抽出来的结构」。这带来三个差异：
- 检索单元不同：chunk vs 实体/关系/社区。多跳问题在图上是显式路径，不需要靠 query 语义碰运气；
- 预计算换查询能力：GraphRAG 把大量 LLM 计算挪到了离线索引阶段（抽取、消歧、摘要），换来查询时能回答普通 RAG 原理上无法回答的问题；
- 可解释性更好：答案可以附上推理路径（A→任职于→B→收购了→C），溯源比「这几个 chunk 语义相似」清晰得多。
工程代价与适用边界
GraphRAG 不是免费的午餐，代价很实在：索引构建成本比普通 RAG 高一个数量级（每个 chunk 多次 LLM 调用）；文档更新时图谱要增量维护，实体合并可能引发连锁更新；构建质量强依赖抽取 prompt 的调教，抽错了关系后面全错。
适用边界也清楚：
- 值得上：多跳问题占比高、需要全局归纳（调研报告、舆情分析、尽职调查）、实体关系密集的领域（法律案件、医药、金融）；
- 不值得上：FAQ 型知识库、答案就在单段文本里的场景——向量加 rerank 又快又便宜，GraphRAG 纯属过度设计。
实践中常见的折中是混合架构：普通向量检索为主干，检测到多跳/全局特征的问题再路由到图谱通道；或者用 LightRAG 这类轻量方案，只保留实体关系检索，砍掉社区层级摘要，成本可控很多。
可能的追问
- 图谱构建时实体消歧怎么做？——先按名称归一化和 embedding 相似度粗聚类，再用 LLM 结合上下文判断是不是同一实体；领域词表/别名表能大幅降低难度。消歧是整个流程里最容易出错的环节。
- 文档更新一篇，图谱要全量重建吗？——不用，新增实体和关系做增量 merge，但要注意新实体可能和已有实体是同一对象，触发合并后其所在社区摘要需要重算；这也是 GraphRAG 运维复杂的主要来源。
- GraphRAG 和 Text2SQL 怎么分工？——问题答案在结构化表里（精确数值、聚合统计）走 Text2SQL；答案在非结构化文本的关系网络里（谁和谁什么关系、事件脉络）走 GraphRAG。两者经常共存于一个系统，前面加路由。
- 怎么评估 GraphRAG 比向量 RAG 真的更好？——分 query 类型评测：事实型单跳问题两者应该打平（打不平说明图谱通道拖后腿了）；多跳和全局型问题是 GraphRAG 的主场，用人工标注的多跳问题集对比答案正确率和推理路径完整性。