GraphRAG的优势真实存在但并非普遍适用——因此负面案例至关重要
这里最有力的证据来自一项直接将GraphRAG与标准RAG在图推理基准上进行对比的研究。研究发现，在需要对文本图进行多跳推理的场景中，GraphRAG显著优于当前最先进的RAG方法[3]。这意味着，当问题需要跨文档网络连接多条信息时，GraphRAG表现出色。但同一项研究也指出，朴素的RAG在处理网络化文档时存在不足——这表明其优势与任务的关系复杂性密切相关。如果查询很简单，不需要多跳推理，GraphRAG可能不会带来额外价值，而这正是应当被报告的那类负面案例。
另一项针对糖尿病相关问题的研究报告称，其GraphRAG系统的Rouge 1得分为82.19% [2]。Rouge 1衡量生成答案与参考答案之间的重叠程度，因此82%属于较高水平。但这仅限于一个狭窄的医学领域，且知识库基于经过验证的来源构建。这是最理想的情况，而非典型场景。由于缺乏负面案例——例如查询超出精心构建的图谱范围，或需要图谱关系未涵盖的信息——读者无法判断该方法在更复杂、更贴近现实的环境中表现如何。
负面案例将揭示GraphRAG的哪些局限性
负面案例有助于回答一些实际问题，比如：与更简单的RAG相比，GraphRAG是否有时会损害性能？构建和查询图的开销在什么情况下不值得？综述论文[1]和[4]都指出，GraphRAG旨在处理复杂的关系结构，但它们也强调，不同领域需要专门的设计[4]。这表明GraphRAG并非放之四海而皆准的解决方案。如果论文能报告失败案例——例如，在关系结构较弱的数据集上，或在不需要多跳推理的任务上——那么社区就能学会何时应避免使用GraphRAG，从而节省资源。
此外，调查[1]概述了完整的GraphRAG工作流程（基于图的索引、图引导的检索、图增强的生成），并指出每个阶段都有其自身的挑战。负面案例可以精准定位失败发生在哪个环节：是检索到了错误的子图，还是图上下文过于嘈杂导致生成阶段出错？缺乏此类报告，该领域可能面临过度拟合基准测试成功案例的风险，从而忽视系统性弱点。报告负面案例不仅关乎诚实——更是改进技术的实用工具。
证据有多强，又有哪些注意事项？
四篇论文中，关于GraphRAG有效性的证据是正面的但有限。最直接的对比研究[3]在多跳推理上显示出明显优势，但这只是针对特定基准的单一研究。糖尿病研究[2]得分较高，但仅限于狭窄领域。两篇综述[1][4]属于宽泛概述，并未提供正面对比的失败数据。所有论文均未报告负面结果，而这正是问题所指向的空白。因此，尽管正面证据令人鼓舞，但缺乏反面案例意味着我们尚无法确定GraphRAG适用性的边界。
一个关键的注意事项是，这些研究使用了不同的任务和领域，因此其结果并不直接可比。例如，[3]侧重于通用图推理，而[2]则针对医疗保健领域。这意味着我们不能断言“GraphRAG总是有效”——只能说它在已测试的场景中有效。报告负面案例将有助于构建更完整的图景，使研究人员能够识别跨领域和任务中的模式。在那之前，该领域应将GraphRAG视为一种有前景但尚未被充分理解工具。
关于这些来源
这个回答基于4项研究（3项经同行评审，1项为预印本）——发表于2024年至2025年间，其中4项为2024年或之后发表，1项发表于Q1期刊，合计被引用55次——这些研究是从4项通过质量筛选的研究中选出的最相关成果，而这些研究又源自从超过5亿篇论文的数据库中检索到的28篇文献。
本文引用的文献
图检索增强生成：综述
本综述对GraphRAG工作流（基于图的索引、图引导的检索、图增强的生成）进行了形式化定义，并回顾了核心技术、应用场景及评估方法，但未报告负面结果。
为了增强基于图的检索增强生成（RAG）系统，采用稳健的检索技术。
在面向糖尿病患者的医疗健康应用中，一种基于知识图谱的RAG框架，通过优化检索流程，在窄领域且知识库经过精心整理的情况下，取得了82.19%的Rouge 1分数，展现出在该细分场景下的强劲性能。
GRAG：图检索增强生成
在图推理基准实验中，所提出的GRAG方法在需要对文本图进行多跳推理的场景中显著优于当前最先进的RAG方法，但摘要中未报告任何负面案例。
基于图的检索增强生成（GraphRAG）
本综述提出了一个整体性的GraphRAG框架，包含查询处理器、检索器、组织器、生成器和数据源等组件，并指出不同领域的图需要专门的设计，这意味着GraphRAG并非在所有场景下都是最优选择。