如何理解 GraphRAG
哪些公司问过
答案要点
- 动机:解决朴素 RAG 难以处理的多跳关系推理和全局总结类问题
- 构建:分块后用 LLM 抽取实体与关系建图,社区检测(如 Leiden)划分层级社区并生成社区摘要
- 全局搜索:基于社区摘要分别作答再汇总,适合总结类问题
- 局部搜索:从相关实体出发,结合邻居关系与原文块作答,可与向量检索结合
- 代价:建图需大量 LLM 调用、成本高,增量更新难,效果依赖抽取质量
易错点
- 认为 GraphRAG 在所有场景都优于向量 RAG,简单事实问答未必划算
- 忽略实体消歧与合并,同一实体形成多个节点导致图碎片化
- 低估建图的 LLM 调用成本和数据更新成本
面试官常见追问
- GraphRAG 和传统知识图谱问答有什么区别?
- 如何降低 GraphRAG 的构建成本?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。