最大的失败模式：忽略查询的静态图
基于图的RAG系统通常假设实体之间的关系（边）具有固定的重要性，并在索引阶段一次性设定。然而，当查询更关注某些关系而非其他关系时，这一假设便不再成立。2026年的一项研究将这种现象称为“静态图谬误”：固定的转移概率会导致随机游走被引入高连接度的“枢纽”节点，从而使系统检索到部分证据，却遗漏了多跳问题所需的完整链条[2]。
解决方案是让图谱具备查询自适应性。同一项研究提出了CatRAG，它根据查询动态重新加权边，并将游走锚定在关键事实上。虽然标准召回率的提升幅度不大，但CatRAG在“推理完整性”上取得了“显著改进”——即能够无遗漏地恢复完整证据链的能力[2]。这意味着系统不仅能找到更多相关片段，还能找到真正推理多步问题所需的关联部分。
领域特定的图模式优于自动生成的图模式
另一个常常不成立的假设是，通用、自动生成的知识图谱模式适用于任何领域。2025年一项针对矿产行业技术文档的研究发现，由领域专家设计的简单五类模式从报告中提取的实体数量，比自动生成或无模式方案多出约10% [4]。更重要的是，五类模式和扩展后的八类模式都产生了最准确的事实性答案，且幻觉最少，因为上下文窗口中包含了更多高价值的领域信息 [4]。
这是一个具体的警告：如果你让图谱自行构建而不加入领域输入，最终得到的图谱可能结构上没问题，但语义上很单薄。该研究与传统RAG基线进行了对比，发现基线回答“通常更短、更不完整，且包含更多幻觉”[4]。因此，图谱确实有帮助，但前提是模式设计必须考虑领域特点。
图RAG的闪光点：多跳与复杂推理
当假设条件成立时——即图结构良好，且查询需要连接多条证据——图增强RAG展现出明显优势。2025年一项关于文档问答的研究发现，多跳问题从基于图的检索中获益最大，在检索和生成指标上均持续优于朴素RAG基线[5]。类似地，2024年一项医疗保健研究将关键词、图和向量检索整合到知识图谱RAG流程中，在糖尿病相关问题上的ROUGE-1得分达到82.19%，优于单独使用RAG的表现[3]。
这些研究结果相互印证：问题越需要遍历关系，图结构带来的帮助就越大。但同样的研究也表明，收益因任务而异——分块大小、关键词密度和top-k检索都需要调优[5]。因此，图RAG的稳健性并非自动获得，而是取决于检索策略与任务的匹配程度。
关于这些来源
本回答基于5项同行评审研究——发表于2024年至2026年，其中5项为2024年或之后发表，1项发表于Q1期刊——这些研究是从6项通过质量筛选的研究中选出的最具相关性的成果，而后者又源自从超过5亿篇论文的数据库中检索到的52篇文献。
本文引用的文献
HyperSynergyX：基于超图建模与知识图谱增强检索增强生成的协同药物组合预测
HyperSynergyX将基于超图的预测器（DBRWH）与知识图谱增强的RAG模块相结合，为药物协同作用预测生成机制性解释，在乳腺癌数据上实现了0.9593/0.9453的AUROC/AUPRC，在肺癌数据上实现了0.9262/0.9481，优于强基线模型。
打破静态图：基于图的RAG中的上下文感知遍历
CatRAG通过使图遍历具备查询自适应性，解决了“静态图谬误”问题。尽管标准召回率的提升幅度有限，但在多跳基准测试中，它在推理完整性方面取得了显著改进——能够恢复完整的证据链。
为了增强基于图的检索增强生成（RAG），采用稳健的检索技术
基于知识图谱的RAG框架，结合关键词、图谱和向量检索，在面向糖尿病的LLM上取得了82.19%的ROUGE-1得分，表明其在上下文相关性和来源可追溯性方面优于单独使用RAG。
技术文档上的GraphRAG——知识图谱模式的影响
在一项针对技术文档的研究中，一个简单的五类矿物领域模式比其他模式多提取了约10%的实体，并且与自动生成或无模式的GraphRAG以及传统RAG基线相比，两种领域特定模式都产生了最符合事实的答案，且幻觉最少。
文档图RAG：面向制造业领域文档问答的知识图谱增强检索增强生成
文档级GraphRAG从文档结构中构建知识图谱，在SQuAD、HotpotQA以及一个制造业数据集上，相较于朴素RAG展现出一致的性能提升，其中多跳问题从这种结构化检索策略中获益最多。