一句话定义：GraphRAG（Graph Retrieval-Augmented Generation，知识图谱增强检索）是在常规 RAG 前面加一道工序——先把文档里的实体和关系抽出来连成一张图，回答问题时沿着图去取"一小片知识网络"，而不是只按相似度捞几段原文。
普通 RAG 卡在哪儿
常规 RAG（Retrieval-Augmented Generation，检索增强生成）的流程大家都熟：切块（chunk）→ 向量化 → 按相似度取 top-k → 塞进上下文让模型作答。它对"某条款怎么写的""这个函数在哪定义"这类局部问题很好用。
但它有个盲区：问题本身不长得像任何一块文本。比如你问"这两百份访谈里，客户抱怨的共同点是什么"，没有任何单独一段能和这句话高度相似，向量检索捞回来的只是几段碰巧用词接近的文本，模型拿这几段硬总结，漏掉多少你并不知道。
它多做了一步什么
GraphRAG 把整个流程拆成两段：
1. 索引期：用模型逐块抽取实体和关系（谁和谁有往来、什么属于什么），连成图；再在图结构上做社区检测（community detection），把关系紧密的节点聚成簇，并给每个簇预先写一段摘要。
2. 查询期：问局部细节，就取某个实体的邻域，拿它的关系和相关原文；问全局归纳，就并行读取各簇摘要，最后汇总成答案。
打个比方：普通 RAG 像是图书馆里按关键词找几页复印给你；GraphRAG 是先把全馆的书过一遍，画出人物关系网、给每个圈子写好梗概，再来回答"这批书整体在讲什么"。
和普通 RAG 的差别
| 维度 | 普通 RAG | GraphRAG |
|---|---|---|
| 索引对象 | 文本块向量 | 实体、关系、社区摘要 |
| 检索方式 | 向量相似度 top-k | 图遍历 + 摘要汇总 |
| 擅长 | 局部事实、条款、数字 | 跨文档、全局归纳、多跳关系 |
| 索引成本 | 低，一次嵌入 | 高，大量模型抽取与摘要 |
| 更新维护 | 增删文本块即可 | 改图，社区摘要可能要重建 |
| 可解释性 | 给出原文片段 | 还能给出关系路径 |
贵在哪，什么时候别上
成本主要压在索引期：每一块都要过一次模型做抽取，还要为每个社区写摘要，token 消耗比普通 RAG 高一个量级是常见的（具体用量因实现而异）。查询期走全局模式时也要多轮汇总，延迟更高。
所以这些情况不值得上：文档量不大；问题基本都是查具体条款、具体数值；内容天天在变，索引刚建好就过期；对延迟和预算敏感；文档之间本来就没关系，比如一堆互不相干的客服 FAQ。这些场景普通 RAG 通常够用。
判断标准就一句话：你的问题需不需要跨多份文档做全局归纳？ 需要，才考虑建图；不需要，别为了架构好看给自己加维护负担。也可以混着用——局部问题走向量检索，全局问题走图。
具体产品的实现方式与能力边界，以官方页面为准。