很多技术团队都走过同样的路:先选一个大模型,然后把公司里的文档、手册、报告塞进向量数据库,再搭一个 RAG 问答系统。原型跑起来那天的感觉特别好,问什么答什么,反应快,看起来像模像样。
但系统真正投入业务之后,问题就来了。
一旦问题变得复杂,系统就开始答非所问。有时候它给出的答案看起来头头是道,但细查来源,发现推理过程根本站不住脚。
团队换过更贵的模型,效果有改善,但一到复杂问题就崩的现象,始终没有根除。
后来大家慢慢意识到:问题可能不在模型本身,而在于知识被喂给模型之前的那一步——检索。
一、传统 RAG 正在把企业知识切碎
RAG(检索增强生成)是目前企业用大模型的普遍做法。用户提问,系统先从知识库找出相关文字,连问题一起丢给大模型,让模型根据这些文字回答。
传统 RAG 依赖向量检索,做法是:
- 把每篇文档切成文本块(chunk),比如每块 500 字
- 把每个块转化成高维向量
- 用户提问时,把问题也转化成向量,去库里找语义最相似的块
对一般场景中的简单问答,这个方法有效。
但企业里的真实问题,极少是这种点对点查询。因为企业知识的核心是关系。
- 归因关系:如设备故障手册里的故障现象和根本原因
- 传导关系:如产业链分析报告的上游价格和下游需求
- 前后依赖关系:如 SOP 流程文档的不同步骤
- 层级关系:如产品手册的零部件和子系统
而传统 RAG 的第一步:切文本块,恰恰把这些关系切断了。
“客户 A 为什么被判定为高风险?”
背后可能涉及:用户 → 设备 → IP → 联系人 → 黑名单账户 → 历史交易 → 欺诈团伙,这不是一个文本块能回答的问题。
“某设备关联过哪些异常账号,这些账号之间有没有共同联系人?”
这里需要的是关系推理、多跳遍历、结构化关联,而不是语义相似。
使用传统 RAG,非常可能出现以下几大问题[1]。
(一)关系缺失
文档之间天然存在引用、衍生、对立等复杂关系,向量数据库将文档切分为孤立的片段后,数据的关联随之减弱。
一个因果链条可能跨越三个段落,被切成三个独立文本块后,关系被破坏。一个产品特性可能分散在不同章节,被切碎后,模型再也看不到完整画像。
(二)语义鸿沟
语义相似度 ≠ 上下文相关性 。举个相似但不相关的例子,保温杯与保温大棚,两者在转换成 Embedding 后的向量相似性很高,因为它们在很大比例上共享“保温”这一语义特征。但在一些场景下,想要了解保温杯却召回了保温大棚的信息。一个是喝水的,一个是用于农业种植的,完全不相关。
RAG 在索引阶段即使设置了比较高置信度,也很可能因为其相似性而得到不相关的信息。
(三)全局推理乏力
"所有文档的核心观点是什么?"、"政策中最重要的五点信息是什么?"。这类需要跨文档综合分析、提炼的全局性、社区级问题,恰恰是向量检索的局限之处。
二、企业知识天然就是一张图
有没有一种方式,能完整保留知识之间的关联?
答案是图数据库(Graph Database)。图数据库由节点和边构成。节点代表事物,边代表关系,每个节点和边都可以定义其属性。
金融反欺诈的图建模
事实上,NebulaGraph 在微软之前就率先提出了 GraphRAG[2],而且微软在论文中也引用了我们的 GraphRAG 相关工作[3]。
NebulaGraph 最先提出 GraphRAG
NebulaGraph 是分布式开源图数据库,主要面向大规模、高性能的应用场景,支持千亿点、万亿边的超大规模数据集。目前,在 DB-Engines 的图数据库排行榜上,我们排名全球第二[4]。
企业知识本质上就是一张巨大的图,只是平时藏在文档、表格、邮件里,没有被显式表达出来。
产业研报,变成图:
节点:上游企业、中游厂商、下游需求、价格指标、产能数据边:上游→中游(供应关系)、中游→下游(需求关系)、价格→产能(影响关系)
设备维护手册,变成图:
节点:设备型号、故障现象、可能原因、检测方法、解决措施边:现象→可能原因、原因→检测方法、方法→解决措施
这些关系一旦被显式构建出来,企业知识就不再是散乱的文本,而是一个可以被系统遍历和推理的网络。这就是 GraphRAG 最简单的出发点。
GraphRAG 不是简单地给 RAG 加一个图数据库。它的本质是抽取文档中的实体和它们之间的关系,让大模型在关系网络上做路径探索和逻辑推理,而不是在碎片里做相似匹配。
三、GraphRAG:
从“找相似的”到“找相关的”
图技术如何解决传统 RAG 的三大挑战?
(一)解决文档切分难题
向量数据库的第一步是切文本块。
图模型提供了完全不同的思路。文档、章节、段落可以作为具有丰富属性的节点存在,并通过边明确表达其间的层级关系和引用关系。语义被结构性地保留下来,不需要靠“切”来牺牲完整性。
(二)重建上下文关联
一个多级部门文档体系,在向量数据库中,这些文档被切成文本块后是“平权”的——一级和三级的内容混在一起,无法保留层级、来源和引用关系。
在图数据库中,可以清晰地建模“发布”“引用”“归属”等关系。一篇三级报告引用了一级纲领的某条原则,这个关系可以被显式记录下来。当用户问“这份报告的合规依据是什么”,系统可以沿着引用边一路回溯到纲领原文,形成可追溯、可解释的知识链条。
(三)解锁复杂推理能力
对于关联类问…