一、研究背景
檢索增強生成（Retrieval-Augmented Generation, RAG）在近年成為大型語言模型（LLM）落地應用的核心框架。流程為：將外部知識資料庫向量化並建立索引，用戶查詢時查詢相關內容，再結合至模型上下文中生成答案。

優點: 降低了模型的記憶負擔，並提升知識即時性與準確度。
缺點:

1. 相似度導向檢索：只依賴向量相似度，無法捕捉跨文件的隱含關聯。
2. 缺乏多跳推理能力：無法有效處理連結的查詢。
3. 可解釋性不足：結果只呈現文字段落，很難知道知識鏈路。

因此，microsoft 團隊提出GraphRAG 作為新興架構，以圖結構（Graph）補強 RAG 系統，提升檢索與推理的能力。

二、GraphRAG 架構

1. 知識圖譜建構(圖譜表示)

• 實體抽取（Entity Extraction）：從文件中抽取人名、地點、技術……等節點。
• 關係抽取（Relation Extraction）：判斷節點間的語意關聯，例如:引用、因果、合作。

2. 檢索策略(混合檢索)

• 向量檢索：傳統 RAG 的語義相似度檢索。
• 圖結構檢索：利用圖遍歷和多跳推理，找出跨文件的隱含關聯。

3. 答案生成
   將檢索得到的文本片段與圖結構輸入 LLM，透過 Prompt 工程或結構化輸入JSON，最終生成結果

三、GraphRAG挑戰

1. 建圖成本高：需大量運算和人工校對與修正。
2. 維持複雜度：知識隨時間演化，圖結構需持續更新。
3. 系統整合難度：如何有效融合 VectorDB 與 GraphDB，是工程落地的瓶頸。

四、簡單的例子

假設我們要查：「手機快充技術是怎麼發展的？」

• 傳統 RAG：找到一篇文章，告訴你 A 公司做了快充。
• GraphRAG：
  A 公司 → 快充晶片 → B 公司專利 → 充電標準 → C 公司合作
  最後說明：這技術是多家公司合作、標準化之後才成熟。

五、代表公司

• 向量資料庫：Milvus、Weaviate
• 圖資料庫：Neo4j