标准RAG（检索增强生成）依赖向量相似度检索，适合答案集中在少数文档的局部查询。但在需要跨全部文档归纳模式的全局查询上，它的表现并不理想。

GraphRAG的解法

打开网易新闻 查看精彩图片

GraphRAG通过构建知识图谱、社区检测与分层摘要来应对这类问题。它不再单纯依赖向量匹配，而是先梳理文档间的结构关系，再逐层提炼信息。

微软测试结果

微软的测试显示，即便把上下文窗口扩展到64,000 tokens，向量检索在全局问题的全面性、多样性和来源质量上，与GraphRAG仍有差距。这意味着，面对分散在多个文档中的问题，GraphRAG能给出更完整、更多元的答案。