标准回答
一、先给结论：向量 RAG 找相似段落，GraphRAG 找关系链
向量 RAG 主要是在找“相似文本片段”，GraphRAG 是先把资料里的实体和关系组织成一张图，再沿着关系去找答案。
二、用例子说明差异
比如用户问“某家公司为什么会受某项政策影响”，答案可能散在多篇文章里：公司、产品、政策、供应商之间有关系。向量 RAG 可能只召回几段语义相似的文字，但不一定能把关系串起来。GraphRAG 会先抽取实体和边，比如“公司 A 使用技术 B”“政策 C 限制技术 B”“供应商 D 受政策 C 影响”，然后顺着图做多跳检索。
三、说清适用场景
它适合两类问题：第一类是多跳关系问题，比如 A 和 C 没直接出现在同一段文本里，但中间通过 B 连起来。第二类是全局总结问题，比如“这批文档里主要有哪些主题和阵营”，这时社区摘要会比单纯 Top-K 片段更稳。
四、别忘了讲代价和选型
但我不会说 GraphRAG 一定更好。如果问题答案就在某一两段文档里，向量 RAG 更便宜、更快、更好维护。 GraphRAG 的代价是建图很贵，实体抽取和关系抽取会出错，数据更新后还要维护图结构。
所以我在项目里会倾向于混合方案：默认用向量 RAG 解决局部事实召回，遇到关系密集或全局问题时，再用 GraphRAG 补多跳和结构化视角。
常见误区
⚠️ 常见踩坑
误区一：把 GraphRAG 说成向量 RAG 的全面升级。 更好的说法是：GraphRAG 是为多跳关系和全局总结付出额外成本。误区二：不看问题类型就上图。 简单事实问答仍然优先用向量 RAG。
追问
追问 1：GraphRAG 的实体关系抽取出错会怎样？如何缓解？
可以说风险很大，因为图里的错误会被后续遍历放大。比如把两个同名公司合并错了，答案就会串线。缓解上，一是抽取时加 schema 和约束，二是做实体消歧和置信度过滤，三是重要领域加人工抽检，四是最终答案保留原文引用，方便用户核验。
追问 2：什么是社区摘要（community summary），有什么用？
可以理解成先把关系图分成几个主题团块，再给每个团块写摘要。这样用户问“整个知识库有哪些主要主题”时，不用从海量 chunk 里硬凑 Top-K，而是直接看相关社区的摘要，更适合全局问题。
追问 3：GraphRAG 与向量 RAG 如何混合使用？
可以按问题类型路由：普通事实问答走向量检索，快且便宜；关系型、多跳型问题走图检索，补实体关系和上下文。也可以两路都跑，结果合并后 rerank，再交给 LLM 生成答案。
🔗 相似问题
同一考点的不同问法，换着练更稳
延伸学习
按主题分类的相关资源，便于系统复习