一、GraphRAG为什么需要知识图谱1.1 传统 RAG 的根本局限传统 RAG 的检索逻辑是问题与文档片段的语义相似度。这种方式对找信息很有效但对推理信息无能为力。典型案例用户问“被公司 A 收购的公司 B其 CEO 此前在哪家公司任职”这需要三跳推理• 公司 A → 收购关系 → 公司 B• 公司 B → CEO 关系 → 人物 X• 人物 X → 此前任职 → 公司 Y传统 RAG 会把收购“CEO”任职等片段都检索出来但无法自动串联这些关系。GraphRAG 的解法预先构建知识图谱让推理路径可追溯1.2 GraphRAG 架构详解核心流程原始文档 → 实体抽取 → 关系抽取 → 知识图谱构建 → 图索引用户查询 → 实体识别 → 图谱遍历 → 相关路径 → 结合向量检索 → LLM 生成关键步骤步骤 1实体与关系抽取使用 LLM 从文档中抽取结构化三元组(公司A, 收购, 公司B)(公司B, CEO, 张三)(张三, 此前任职, 公司Y)步骤 2图谱存储与索引图数据库特点Neo4j最成熟Cypher 查询语言社区版免费NebulaGraph国产开源分布式架构适合大规模图谱TigerGraph商业方案高性能并行计算同时为每个实体创建向量索引支持语义搜索。步骤 3查询时的图谱遍历实体识别从问题中提取关键实体子图检索以这些实体为起点沿关系边遍历 N 跳路径筛选根据查询意图筛选相关路径上下文组装将路径上的实体和关系文本化送入 LLM1.3 GraphRAG 适用场景与成本适用场景领域应用金融风控股权穿透、关联交易识别法律合规法规引用链、案例关联医疗诊断疾病-症状-药物关系推理供应链供应商-制造商-分销商关系追溯构建成本成本项说明LLM 调用成本实体/关系抽取需要大量 LLM 调用人工校验成本自动抽取有误差关键场景需人工审核图谱维护成本知识更新需增量更新图谱成本优化建议• 仅对核心业务领域构建图谱其余保持向量检索• 使用小模型做抽取大模型做最终生成• 采用图谱 向量混合架构各有侧重二、Agentic RAG从被动检索到主动探索2.1 传统 RAG 的一次性问题传统 RAG 是一个线性管道问题 → 检索 → 生成 → 输出检索只发生一次不管检索结果质量如何LLM 都要硬着头皮生成答案。问题• 检索结果不相关 → LLM 只能瞎编或说不知道• 问题复杂需要多源信息 → 单次检索无法覆盖• 用户表述不清 → 检索词偏离真实意图Agentic RAG 的思路让 Agent 具备反思和迭代能力2.2 Agentic RAG 工作流程Agent 主控循环分析问题 → 判断需要什么信息决策 → 检索直接回答反问用户执行检索评估结果 → 信息是否充分• 充分 → 生成回答• 不充分 → 调整查询返回步骤 2输出回答 可选追问核心能力能力说明自我评估Agent 判断当前信息是否足够回答问题查询重写检索效果不佳时自动改写查询再试多轮检索复杂问题拆解为子问题分别检索后综合工具调用除检索外可调用计算器、API、数据库等反问澄清问题模糊时主动向用户确认意图2.3 Agentic RAG 适用场景场景Agent 行为复杂分析报告多次检索不同数据源综合整理多步骤任务拆解任务逐步执行检索和操作对话式咨询根据对话上下文动态调整检索策略不确定问题主动反问用户澄清意图学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】