GraphRAG（图结构 RAG）
GraphRAG用图结构而非向量检索的 RAG
亦作、亦称：图结构 RAG · GraphRAG
GraphRAG 使用图结构而非向量检索——ICLR 2026 基准验证场景边界（poolId P-336）。
核心
多跳推理/实体关系优于 Vector RAG，简单语义相似度不如。
常见误解
日常交流中容易听到的简化说法，未必准确，但能帮助理解误解从何而来。
- 「用图结构而非向量检索的 RAG」
相关术语
和本术语关联紧密的其他词条，便于串联理解。
🎯 考点练习
含该术语的高频面试题，含标准答案与追问。
- 中级系统设计查看详解 →
比较 Vector RAG 和 GraphRAG 的适用场景，给出选型决策树
GraphRAG 使用图结构（知识图谱/实体关系图）替代纯向量检索。ICLR 2026 基准验证：多跳推理、实体关系查询场景 GraphRAG 优于 Vector RAG，简单语义相似度场景 Vector RAG 更优。选型判据：数据是否有明确的实体关系结构、是否需要多跳推理。
- 中级概念查看详解 →
什么是 Modular RAG / Advanced RAG？更复杂的 RAG 范式有哪些？
RAG 从 Naive（检索-生成）演进到 Advanced（加预检索改写/路由、后检索 rerank/压缩），再到 Modular（把检索、记忆、路由、融合做成可编排模块）；复杂范式含迭代检索、Self-RAG/CRAG、GraphRAG、Agentic RAG、HyDE。
- 中级概念高频查看详解 →
LangChain 的 Agent 执行流程是怎样的？它和 Chain 有什么区别？
Agent 由 LLM 在运行时动态决定调用哪个工具，遵循「思考→选工具→执行→观察」的 ReAct 循环，由 AgentExecutor 驱动；Chain 则是预定义的固定流程。
- 中级编码查看详解 →
如何在 LangChain 中实现 Function Calling 与自定义 Tool？
用 @tool 装饰器/StructuredTool/继承 BaseTool 定义工具，再用 model.bind_tools 绑给支持函数调用的模型；模型返回 tool_calls 后执行并把结果回传续答，描述与 schema 质量决定调用准确率。
延伸阅读
从知识库精选 1 篇文章，帮助深入理解该术语。
外部参考
维基百科：查看「GraphRAG」词条本页内容为本站原创撰写；维基百科链接仅作延伸参考。