基于图的RAG何时能真正检索到你所需的信息？
基于图的RAG在需要连接多条信息的问题中表现出色，例如根据症状诊断疾病或引导心理咨询对话。2025年一项关于医学问答的研究提出了NaviPath，这是一个基于知识图谱的RAG框架，包含三个步骤：扩展实体检索、多视角推理路径构建以及自然语言转换。在两个医学问答基准测试中，它在诊断准确性和事实一致性方面均达到了最先进水平，这意味着它能可靠地为复杂医学查询检索到正确的证据[2]。类似地，2024年一项关于心理咨询聊天机器人的研究利用知识图谱，根据用户对话记录和领域知识检索信息，从而提供定制化的专家级回答[3]。这些结果表明，对于答案依赖于概念间关系的任务（例如，“哪些症状和病史符合这种情况？”），基于图的RAG能够检索到用户真正需要的证据。
但有时你需要的并非你所预期——噪音也能助益
一项2024年针对通用RAG系统的研究发现了一个令人意外的结果：检索器返回的最高分文档若与查询无直接关联（例如不包含答案），反而会损害大语言模型的性能。更反直觉的是，在提示词中加入随机文档竟能将大语言模型的准确率提升高达35%[1]。这表明，对于某些任务而言，用户认为需要的证据（直接相关的段落）并非模型的最佳工作素材。该研究指出，RAG系统中的检索组件值得更多关注，而最优检索策略可能涉及引入部分噪声或上下文边缘信息。因此，尽管基于图的RAG功能强大，但它并非万能灵药——真正有助于大语言模型的证据类型，可能与人类认为的"相关"大相径庭。
基于图的RAG是否总是优于更简单的方法？
不一定——其优势取决于问题类型。2025年一项针对基于图的RAG方法的综合分析，在从具体问题（如“法国的首都是什么？”）到抽象问题（如“解释相对论”）的各类问答数据集上进行了测试。研究发现，基于图的RAG方法效果各异，对于具体的事实性问题，更简单的检索方法有时表现同样出色[5]。然而，对于抽象或多跳问题，基于图的方法始终表现更优，因为它们能够遍历知识图谱中的关系，跨多个文档检索证据[5]。该研究还识别出基于图的RAG的新变体，通过结合现有技术超越了当前最先进的方法，表明该领域仍在不断发展[5]。因此，对于“它能否检索到用户所需”的回答是：对于复杂问题，可以；但对于简单的事实查询，一个调优良好的标准RAG可能就足够了。
关于这些来源
该回答基于5篇经同行评审的研究——发表于2024至2025年间，其中5篇为2024年或之后发表，1篇发表于Q1–Q2期刊，总被引次数达123次——这些研究是从5篇通过质量筛选的文献中选出的最具相关性的成果，而该筛选过程则源于从超过5亿篇论文的数据库中检索到的42篇文献。
本文引用的文献
噪声的力量：为RAG系统重新定义检索
在一项对RAG检索策略的系统性研究中发现，检索器得分最高但不相关的文档会损害大语言模型的性能，而添加随机文档反而使准确率提升了35%——这一反直觉的结果挑战了关于哪些证据有用的既有假设。
NaviPath：一种基于知识图谱的新型RAG框架，用于医学问答
NaviPath框架是一种基于知识图谱的检索增强生成（RAG）医疗问答系统，通过扩展实体检索与多视角推理路径，在两个医疗问答基准测试中取得了最先进的性能，证明了基于图谱的检索能够为复杂的诊断问题提供所需的证据。
基于知识图谱的RAG技术实现心理咨询聊天机器人的设计与开发
基于知识图谱的检索增强生成技术，一款心理咨询聊天机器人能够从用户对话记录和领域知识中检索信息，生成定制化、专家级的回答，证明了该方法适用于实时、非面对面的心理咨询场景。
上下文画布：基于知识图谱的检索增强生成技术，助力文本到图像扩散模型升级
Context Canvas是一个基于图的RAG系统，专为文本到图像生成设计。它能够从知识图谱中动态检索角色和关系数据，从而生成视觉准确且上下文丰富的图像，提升了Stable Diffusion和DALL-E等模型的表现——这是图基RAG在该领域的首次应用。
基于统一框架的图增强检索深度分析
在一项针对问答数据集的图基RAG方法综合比较中，研究发现图基方法在抽象问题和多跳问题上始终优于更简单的方法，但在特定事实型问题上并非总是如此，同时该研究还识别出了一些超越现有最优方法的新变体。