为什么在检索中，图谱优于纯文本？
传统RAG将知识库视为一堆扁平的文本块，因此会遗漏信息之间的关联——比如哪个产品是另一个产品的组件，或者哪种症状是某种药物的禁忌症。图增强RAG则从源数据中构建知识图谱（即实体及其关系的网络），然后检索相关的子图，而非孤立的段落。这保留了纯文本检索所丢失的结构，而这正是其提升准确性的原因所在[2]。
最有力的证据来自领英的客户服务系统，该系统已运行约六个月。通过从历史问题跟踪工单中构建知识图谱，该系统在标准排序指标（MRR，即平均倒数排名）上将检索准确率提升了77.6%，并将答案质量在BLEU分数（衡量生成文本与参考答案匹配程度的指标）上提高了0.32。更重要的是，就实际影响而言，它将客户问题的中位解决时间缩短了28.6% [1]。这不是实验室结果——而是一个已部署的系统，表明图结构直接转化为更快、更好的答案。
这一优势在客户服务之外是否依然成立？
是的，而且这种模式在截然不同的领域中都保持一致。在医疗领域，MedRAG利用四层诊断知识图谱，将检索到的电子健康记录与结构化的疾病差异信息相结合。它在降低误诊率方面优于现有的RAG方法，尤其是对于症状相似的疾病，并且它会主动提出后续问题以实现个性化决策[3]。在电商领域，一种图增强的RAG框架在问答场景中将事实准确性提升了23%，并实现了89%的用户满意度[4]。这些是不同的领域，但它们得出了相同的结论：加入关系结构有助于模型将答案基于事实，而非猜测。
GraphRAG方法的综述[2]进一步印证了这一点，它将该工作流形式化——基于图的索引、图引导的检索和图增强的生成——并表明这种方法正被各行各业广泛采用。两个独立的实现[1][4]均报告了准确率和用户满意度的大幅提升，而第三个实现[3]则显示出临床获益，这些事实有力地证明这是一种普遍性的改进，而非个例。
有哪些局限和不足之处？
GraphRAG并非万能灵药。构建和维护知识图谱本身就是额外的工作——你需要定义实体和关系，而且图谱必须保持更新。调查[2]指出，数据库中关系结构的复杂性对RAG系统而言是一大挑战，GraphRAG正是为应对这一挑战而设计的，但它并不能消除图谱构建的成本。
此外，收益并非均匀分布。一项研究在GraphRAG中加入了话语层面分析（一种捕捉对话结构的方法），结果发现话语组件对整体性能的贡献仅属中等[5]。这表明，尽管图结构功能强大，但并非在其上叠加的每一项增强都能带来回报。而医学研究[3]是在特定数据集（DDXPlus和一个私有慢性疼痛数据集）上评估的，因此其结果可能无法推广到所有临床场景。结论是：GraphRAG有望提升准确性和速度，但收益的大小取决于图对领域真实关系的捕捉程度。
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2025年，其中5项为2024年或之后发表，1项发表于Q1期刊，合计被引用154次——这些研究是从5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5亿篇论文数据库中检索到的35篇文献。
本文引用的文献
基于知识图谱的检索增强生成在客服问答中的应用
在LinkedIn部署的客户服务系统中，为RAG添加知识图谱使检索准确率（MRR）提升了77.6%，答案质量（BLEU）提升了0.32，并在六个月内将问题解决中位时间缩短了28.6%。
图检索增强生成：综述
本综述将GraphRAG工作流形式化（基于图的索引、图引导的检索、图增强的生成），并回顾了核心技术、应用与评估方法，强调了图结构在提升RAG性能方面的潜力。
MedRAG：通过知识图谱引导推理增强检索增强生成，助力医疗副驾驶
MedRAG是一款利用四级诊断知识图谱的医疗辅助系统，在公共和私有数据集上均优于现有RAG方法，显著降低了误诊率，尤其对症状相似的疾病表现突出。
面向电商客户支持的图增强检索增强问答
结合领域特定知识图谱与检索文本文档的电商客户支持框架，在问答场景中将事实准确性提升了23%，并实现了89%的用户满意度。
通过话语增强RAG与知识图谱
在GraphRAG架构中加入话语层面分析提升了答案的相关性，但话语子系统相较于整体四组件架构的贡献较为有限。