基于结构化知识图谱的图检索增强生成系统是否真的表现更优？
是的，证据一致表明，在检索增强生成（RAG）系统中加入结构化知识图谱（KG）能够提升性能，尤其对于需要连接多条信息的复杂问题效果显著。在领英（LinkedIn）的大规模部署中，与纯文本基线相比，基于KG增强的RAG系统在平均倒数排名（MRR）上提升了77.6%的检索准确率，并在BLEU评分上提高了0.32的答案质量[3]。这转化为客户服务工单的中位解决时间减少了28.6%[3]。另一项研究发现，将知识图谱与文本片段自适应结合（DualRAG）在多个基准测试中显著提升了生成准确率[5]。
这种优势在多跳问题（即需要综合多个事实进行推理的问题）上尤为显著。名为KG-RAG的系统利用知识图谱将问题分解为子问题，在MetaQA基准测试中提升了多跳查询的准确率，尽管其在单跳任务上的性能略有下降[6]。这表明，当答案并非存在于单一文档中时，知识图谱能帮助模型“串联线索”。
知识图谱的质量重要吗？
是的，知识图谱的质量至关重要。在专业领域，由专家构建或半自动生成的知识图谱始终优于完全由大语言模型生成的知识图谱。例如，专为结构分析等深度垂直领域设计的DOKE-RAG系统，采用混合方法将专家构建的核心知识图谱与大语言模型生成的知识对齐，相比现有最优基线取得了显著提升[2]。同样，结合规则方法、小型语言模型和大语言模型的半自动化流水线，在减少人工投入的同时，仍能生成适用于维护聊天机器人的高效知识图谱[4]。
不过，并非每次都需要借助昂贵的、由大语言模型生成的知识图谱才能获得收益。一项研究表明，使用工业级自然语言处理库（而非大语言模型）构建的基于依存关系的知识图谱，其性能达到了大语言模型生成知识图谱的94%（在RAGAS指标上分别为61.87%和65.83%），同时大幅降低了成本并提升了可扩展性[1]。这意味着，即便是成本更低、设计精良的知识图谱，也能带来大部分收益，使基于图结构的检索增强生成技术更易于落地实际应用。
结构化知识图谱在什么情况下最有效，又是否存在缺点？
结构化知识图谱在涉及多跳推理、领域特定术语或实体间关系（纯文本无法捕捉）的任务中最为有效。例如，在客户服务中，知识图谱保留了问题工单的结构及其相互关联，而纯文本检索则遗漏了这些信息[3]。在制造业维护中，知识图谱帮助聊天机器人理解设备之间的关系[4]。在结构分析中，知识图谱整合了PDF中的公式和图表，这是纯文本RAG无法处理的[2]。
存在一些权衡取舍。KG-RAG研究指出，在使用知识图谱时，单跳问题的准确率略有下降，这很可能是因为分解步骤为简单查询增加了不必要的复杂性[6]。另一项研究发现，简单地将知识图谱与文本片段拼接可能会引入无关或矛盾的信息，因此像DualRAG这样优先选择最有用来源的自适应方法更为优越[5]。因此，尽管知识图谱通常能提升性能，但其设计必须根据查询类型和领域进行定制。
关于这些来源
该回答基于6篇经同行评审的研究构建而成——发表于2024年至2026年间，其中6篇为2024年或之后发表，1篇发表于Q1期刊，累计被引用100次——这些研究是从6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58篇论文。
本文引用的文献
面向大规模RAG系统的高效知识图谱构建与非结构化文本检索
基于依赖关系构建的知识图谱（未使用大语言模型）达到了基于大语言模型生成的知识图谱性能的94%（在RAGAS上分别为61.87%和65.83%），同时大幅降低了成本，这表明成本更低的知识图谱依然可以保持有效性[1]。
DOKE-RAG：通过多模态图检索连接专家知识与大语言模型，赋能深度垂直领域
DOKE-RAG通过将专家整理的知识图谱与LLM生成的知识对齐，在结构分析等专业领域中显著超越了当前最先进的基线模型[2]。
基于知识图谱的检索增强生成在客服问答中的应用
在实际的LinkedIn部署中，一个基于知识图谱增强的RAG系统将检索MRR提升了77.6%，BLEU提升了0.32，并将问题解决的中位时间缩短了28.6%[3]。
面向图RAG增强的智能维护聊天机器人的知识图谱构建
结合基于规则的方法、小型语言模型（SLM）和大型语言模型（LLM）的半自动化知识图谱构建流程，减少了人工投入，并生成了对维护聊天机器人有效的知识图谱[4]。
双RAG：一种基于图的高效RAG框架，能够自适应整合知识图谱与文本块
DualRAG能够根据知识图谱或文本片段的贡献自适应地优先处理它们，从而在多个基准测试中显著提升了生成准确性[5]。
面向问答的知识图谱扩展检索增强生成
KG-RAG在MetaQA上提升了多跳问题的准确性，但略微降低了单跳任务的性能，这表明其效果取决于查询复杂度，存在一种权衡[6]。