https://plumephp.com/tags/graphrag/Recent content in GraphRAG on PlumePHPHugozh-CNSat, 26 Sep 2026 12:00:00 +0800https://plumephp.com/graphdb-graphrag-vector/Sat, 26 Sep 2026 12:00:00 +0800https://plumephp.com/graphdb-graphrag-vector/<h2 id="导语rag-的第三次进化">导语：RAG 的第三次进化</h2> <p>第一代 RAG 用向量相似度检索文本块，第二代加了重排（rerank）与混合检索，但都困在一个问题上：<strong>文本块之间没有关系，模型无法理解&quot;谁和谁在什么时候有关联&quot;</strong>。GraphRAG 把知识图谱引入 RAG——检索的不再是孤立的文本块，而是<strong>带关系的子图</strong>。这让多跳推理（multi-hop reasoning）、全局问题（global question）的回答质量显著提升。本专题的 <a href="https://plumephp.com/graphdb-knowledge-graph/">知识图谱构建与应用</a> 已介绍 KG 概念，本文聚焦 GraphRAG 的工程实现。</p>https://plumephp.com/llm-graphrag-knowledge-graph/Sat, 26 Sep 2026 00:00:00 +0800https://plumephp.com/llm-graphrag-knowledge-graph/<p>传统 RAG 用向量相似度检索文档片段，但在回答&quot;谁和谁有关系&quot;&ldquo;某事件的完整影响链&quot;这类需要多跳推理的问题时力不从心——关键信息可能分散在不同文档里，向量检索只能局部命中。GraphRAG 将知识表示为<strong>实体-关系图谱</strong>，用图遍历补足向量检索缺失的关联推理能力。本指南从图谱建模出发，系统覆盖实体抽取、图谱构建、检索策略（局部与全局）、与向量检索的混合架构，并给出 Neo4j + LLM 的完整实战。</p>