做 RAG 多跳问答的朋友,应该没有人还没被图数据库PUA 过。过去,想解决跨段落推理、多跳查询,业内标准答案永远是:知识图谱+ 图数据库。然后开发者需要提取三元组、部署 Neo4j/Neo4j、学 Cypher 查询语言、运维向量库 + 图库两套系统……不仅系统复杂度翻倍,运维成本、学习门槛也双双拉满。那么有没有一种可以绕过图数据库,依然能解决多跳问题的方案呢?实测显示,把实体、关系、段落全扔进 Milvus,用子图扩展代替图遍历,用一次 LLM 重排代替多轮 Agent 循环,三大多跳问答基准平均 Recall@5 可以达到87.8%,直接超过 HippoRAG 2,全程只需要一个 Milvus 向量数据库!这就是我们最新开源的Vector Graph RAG,把图结构的多跳能力,完美融合进向量数据中。01 如何解决RAG 的多跳困境?
普通 RAG 的套路大家都烂熟了:文档切块→向量化→向量检索→喂 LLM 生成答案。这种问题对付单跳简单问题,比如 “爱因斯坦哪年出生”“Milvus 支持哪些索引”,向量一搜就找到了。但只要问题拐个弯、藏个隐含关系,普通 RAG 直接进入宕机状态。比如问个简单的医学问题:「糖尿病的一线用药有哪些需要注意的副作用?」
这个问题看起来不复杂,但要回答它,系统需要走两步:先知道糖尿病的一线用药是二甲双胍,再去查二甲双胍的副作用是需要监测肾功能。Naive RAG 的向量搜索大概率只会暴力匹配 糖尿病、副作用相关的段落,但它没法自己找到二甲双胍这个关键中间环节。这就是多跳推理的典型死穴:答案散在不同段落,要靠实体关系把它们串成一条链,而纯语义搜索抓不住实体间的隐藏关联。通过知识图谱 + 图数据库的方式来解决这个问题,思路的确没错,但这需要额外部署一套图库、学新查询语言、运维双数据库、管 Schema、管扩缩容,成本太高了。也是因此,在Vector Graph RAG中,我们试图在不引入图数据库的情况下,解决RAG 的多跳困境。02 Vector Graph RAG核心思路:用向量数据库构建逻辑图结构
其实,知识图谱里的 “关系”,说到底就是一段文本。既然文本能转向量、能被 Milvus 检索,关系当然也可以!比如 (二甲双胍, 是一线用药, 2型糖尿病) 这条关系,在图数据库里它是一条有向边。但换个角度看,它就是一句话,「二甲双胍是2型糖尿病的一线用药」,完全可以做 Embedding,存到 Milvus 里。接下来的关键在于怎么把图的拓扑结构也保留下来。我们的做法是在 Milvus 里建三个 Collection,通过 ID 互相引用,形成一个逻辑上的图结构:Entities 表——存储去重后的实体。每个实体有一个唯一 ID,文本被向量化用于语义搜索,同时记录了这个实体参与的所有关系 ID。| id | name | embedding | relation_ids ||------|-------------|------------|------------------|| e01 | 二甲双胍 | [0.12, …] | [r01, r02, r03] || e02 | 2型糖尿病 | [0.34, …] | [r01, r04] || e03 | 肾功能 | [0.56, …] | [r02] |
Relations 表——存储三元组关系。每条关系记录了它的主语和宾语实体 ID,以及关联的原文段落 ID。关系的完整文本(如「二甲双胍是2型糖尿病的一线用药」)同样被向量化。| id | subject_id | object_id | text | embedding | passage_ids ||------|-----------|-----------|-------------------------------|------------|-------------|| r01 | e01 | e02 | 二甲双胍是2型糖尿病的一线用药 | [0.78, …] | [p01] || r02 | e01 | e03 | 服用二甲双胍需要监测肾功能 | [0.91, …] | [p02] |
Passages 表——存储原始文档段落,记录了从中提取出的实体和关系 ID,用于最终答案生成时提供原文上下文。三张表之间通过 ID 互相引用:实体知道自己参与了哪些关系,关系知道自己连接了哪些实体、来自哪个段落,段落知道自己包含哪些实体和关系。这个 ID 引用网络就是我们在 Milvus 上构建的具备图遍历能力的逻辑图结构。在这套结构中,做图遍历的时候,就是做一连串的 ID 查询:拿到实体 e01 的 relation_ids → 去 Relations 表查 r01、r02 → 拿到 r01 的 object_id e02 → 又发现了新实体。每一步都是 Milvus 的元数据查询,完全不需要 Cypher 之类的图查询语言。但可能有人会杠:这样是不是要多次查 Milvus?确实,相比 Naive RAG 的一次向量搜索,子图扩展多了 2-3 次 Milvus 访问。但这些额外访问都是 ID 主键查询,2-3 跳加起来也就 20-30ms。RAG的整个查询流程的瓶颈在 LLM 调用(1-3 秒),多几十毫秒的 ID 查询在体感上完全没有影响。(实际场景中的多跳查询很少超过 3 跳。即使是学术界公认最难的多跳问答数据集 MuSiQue,绝大多数问题也只需要 2-4 步推理。日常业务中遇到的复杂问题,2-3 跳基本就能定位到目标实体。这个范围,恰好是子图扩展 1-2 轮就能覆盖的。)而图数据库虽然可以一条查询搞定多跳遍历,但代价是多维护一套系统。而且图数据库的向量搜索只是附加功能,hybrid search、多种 ANN 索引、灵活的向量过滤这些能力跟专用向量数据库没法比。如果同时需要图遍历和高质量语义检索,传统方案得两套系统一起上,不仅时间没有节约,还会增加系统维护成本。03 Vector Graph RAG的四步检索流程
Vector Graph RAG的查询流程分四步:种子检索 → 子图扩展 → LLM 重排 → 生成答案。系统先让 LLM 从问题里提取关键实体——「糖尿病」「副作用」「一线用药」——然后拿这些词去 Milvus 里做向量搜索,找到最相关的实体和关系。这一轮下来,搜到了一批直接相关的实体和关系。但注意:二甲双胍此时还没出现。问题里没直接提它,向量搜索自然搜不到。这步是 Vector Graph RAG 真正区别于 Naive RAG 的地方。