本次查询：知识图谱RAG
中文解释：知识图谱检索增强生成
常见场景：企业知识库问答 / 智能客服 / 金融风控 / 医疗诊断辅助 / 科研文献分析
一句话解释
知识图谱RAG是将知识图谱作为结构化知识源融入检索增强生成（RAG）流程的技术方案，让大模型在回答时能引用实体、关系等事实，显著提升准确性与可追溯性。
为什么会被关注
传统RAG依赖非结构化文档片段的语义检索，容易忽略实体间的逻辑关系，导致回答不够精准。知识图谱RAG能提供确定性的三元组事实，大幅降低大模型的幻觉概率。
企业级应用对可解释性要求高，知识图谱RAG能将输出关联到具体实体和关系链路，便于审计与调试。同时，它还能利用图结构进行多跳推理，回答需要跨实体关联的复杂问题。
核心逻辑
知识图谱RAG的关键步骤包括：用户查询经实体识别与链接，匹配知识图谱中的候选实体；然后在图数据库中检索相关子图或路径，获取结构化事实；最后将这些事实与原始查询拼接成提示，让大模型基于结构化信息生成答案。
相比纯向量检索，知识图谱RAG利用了图谱的拓扑结构，可以主动探索实体间的多跳关系，例如从“公司A”到“产品B”再到“供应商C”。这为需要因果或层级关系的问答提供了更可靠的证据链。
常见场景
企业知识库问答：员工询问“2024年Q3华东区销售额最高的产品”，系统通过知识图谱定位产品实体、区域实体及销售额关系，给出准确数字。
智能客服：用户问“我的订单为什么还没发货”，图谱关联订单、物流、仓促节点，结合规则推理出延迟原因。
金融风控与医疗辅助：需要依据监管实体、药物相互作用等结构化关系做判断，知识图谱RAG能提供可解释的决策依据。
容易混淆的点
知识图谱RAG不等于RAG加知识图谱的简单拼接，而是需要设计专门的检索策略，例如结合向量相似度与图结构查询的混合检索，否则可能只退化为用图谱替代文档源。
不要与GraphRAG（如微软提出的全局图谱构建方法）混淆。知识图谱RAG侧重于利用已构建好的知识图谱进行检索增强，而GraphRAG通常指从文本中自动抽取图结构并用其生成概要。
知识图谱RAG仍依赖大模型的生成能力，无法保证100%正确，但能约束回答范围，降低幻觉风险。它不替代可用性验证，仍需结合人类反馈持续优化。