本次查询：GraphRAG
中文解释：图谱检索增强生成
常见场景：企业知识库问答 / 复杂研究报告分析 / 多步骤推理与决策支持 / 事实核查与溯源。
一句话解释
GraphRAG是一种将知识图谱与检索增强生成技术结合的AI方法。它先为文档集构建一个结构化的知识图谱，当用户提问时，系统从图谱中检索出相关的实体和关系网络，再交给大模型生成答案，使回答更具深度和逻辑性。
为什么会被关注
传统RAG依赖向量检索匹配文本片段，在处理复杂、多跳推理问题时容易丢失关键信息或产生“幻觉”。GraphRAG通过图谱显式地建模实体关系，能更好地捕捉文档中的深层逻辑和事实网络，显著提升了回答的准确性、一致性和可解释性，因此被视为下一代企业级知识智能的核心技术。
核心逻辑
其核心分为“建图”与“用图”两步。首先，利用大模型从非结构化文本中抽取实体、属性及关系，构建一个全局知识图谱。当用户查询时，系统从图谱中定位相关子图（包含实体及其关联路径），将这些结构化的关系信息作为上下文，连同问题一起输入给大模型，引导其基于明确的逻辑网络进行推理和生成。
常见场景
在企业内部，可用于智能客服，准确回答涉及多部门流程的复杂问题；在金融研究领域，能分析公司、事件、市场之间的关联，生成深度报告；在医疗领域，可关联病症、药物和研究成果，辅助诊断推理；此外，也适用于需要强事实核查与溯源的新闻分析或学术研究场景。
容易混淆的点
GraphRAG并非要取代向量数据库，两者常结合使用：向量库用于快速召回相关文档，图谱用于精细推理。它也与传统知识图谱问答不同，后者通常依赖预定义的规则或查询模板，而GraphRAG的图谱构建和答案生成都高度依赖大模型的语义理解能力，更加灵活和自动化。