AITerms 登入
自然語言處理知識圖譜大型語言模型

圖檢索增強(Graph RAG)是什麼?

圖檢索增強(Graph RAG)利用知識圖譜結構化信息,提升檢索效率和答案準確性,優於傳統向量檢索。

完整定義

圖檢索增強(Graph RAG)是一種結合知識圖譜和檢索增強生成(RAG)的技術。它利用知識圖譜的結構化信息來改進檢索過程,從而提供更準確和上下文相關的答案。相較於傳統的基於向量相似度的檢索方法,Graph RAG 能夠更好地理解實體之間的關係,並利用這些關係來擴展檢索範圍和提高檢索質量。

白話說明

你有沒有在一堆文件裡找答案時,發現單靠關鍵字常常找不到真正相關的內容?

你可以把 Graph RAG 想成先整理關係地圖,再去找答案。

它會把實體和關係串成圖,讓檢索不只看字像不像,還能看內容彼此怎麼連。

記住這句

先找關係,再找內容。

比喻:Graph RAG 就像一個超級有條理的圖書館管理員 -- 他不只知道每本書的內容,還清楚書與書之間的關係(誰引用誰、誰是誰的續集),所以能更快找到最精準的答案。

容易混淆

Graph RAG vs 傳統 RAG

傳統 RAG 常靠向量相似度

Graph RAG 會把關係結構也一起用上

最關鍵的區別是只看相似度,還是連關係都看

Graph RAG vs 向量資料庫

向量資料庫專注在相似度檢索

Graph RAG 還要處理實體和邊的關係

最關鍵的區別是存向量,還是存關係網

實際案例

企業知識問答

公司文件很多時,Graph RAG 可以先找部門、產品和人名之間的連結,再拉出真正相關的文件。

法規和研究查詢

當一個問題牽涉多個實體和上下位關係時,Graph RAG 比只靠關鍵字更容易找對資料。

深入了解

Graph RAG 的重點不是取代向量檢索,而是補上關係理解這一塊。

做得好時,它可以提高查準率,也能讓答案更貼近使用者真正想問的事。

情境判斷

Q1: 你想問某產品屬於哪個系列、由誰負責,這種關係型問題適合什麼?

Graph RAG 很適合,因為它能順著圖上的關係去找。

Q2: 如果文件沒有清楚的實體和關係,Graph RAG 還有優勢嗎?

優勢會變小,因為它最吃重的就是結構化關係。

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 1 題把圖檢索增強列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本