简介:面对海量文档的智能问答需求,检索增强生成(RAG)已成为降低大模型幻觉、让回答有据可依的主流方案。本文对比"图谱式RAG"与"向量式RAG"两类技术路线,从索引结构、检索逻辑、构建成本、适用问题、运维复杂度等维度系统剖析其差异,帮助开发者在点查型与全局型问答之间做出合理选型,并给出迁移落地时的关键注意事项。
当企业需要让大模型基于自有文档(小说、法律卷宗、技术手册、财报、工单库)回答问题时,直接把文档塞进上下文并不可行:文档体量远超上下文窗口,且模型无法”记住”全部细节。检索增强生成(RAG)因此成为标准做法——先检索相关内容,再让模型基于检索结果作答。
但在”如何检索”这一步上,业界存在两条差异明显的技术路线。一条是基于向量相似度检索的RAG(下称向量式RAG),另一条是基于知识图谱的检索增强生成(下称图谱式RAG)。原始材料重点描述了图谱式RAG的两类检索模式——本地检索(回答针对某个实体的具体问题)与全局检索(回答需要通读全量数据的宏观问题)。这两类问题恰好暴露了向量式RAG的能力边界,也构成了本文对比的核心。下面从定义、相同点、差异、选型四个层面展开。
向量式RAG:将文档切分为若干文本块(chunk),用嵌入模型把每个文本块转成向量,存入向量数据库。用户提问时,同样把问题转成向量,通过相似度检索召回最相关的若干文本块,拼接进提示词后交由大模型生成答案。它的核心逻辑是”文本块之间的语义相似度”。
图谱式RAG:在入库阶段多做一步”知识结构化”处理——用模型从文档中抽取实体(人物、地点、概念)、关系(实体间的连接)以及基于关系聚类形成的社区(community)并生成社区摘要。查询时,它支持两种模式:
尽管实现差异明显,两者本质是同一类方案的两个分支,共享以下特征:
向量式RAG的索引是”扁平”的文本块集合,彼此之间没有显式连接;图谱式RAG的索引是”结构化”的知识图谱,实体与关系构成网络,社区摘要提供了分层的信息聚合。这一根本差异决定了后续所有区别。
向量式RAG的构建路径相对简单:切块→嵌入→入库,单位文档所需的模型调用量较少,构建快、成本低。图谱式RAG要额外做实体抽取、关系抽取、社区检测与社区摘要生成,每一步都可能触发大量模型调用,构建阶段的计算与时间开销显著更高。文档越多、越需要精细的跨文档推理,这个差距越明显。
向量式RAG擅长点查型问题——问题能对应到某几个文本块,召回即答。但它天生不擅长全局型/多跳型问题:一个需要综合全篇的结论,靠”最相似的几个文本块”往往覆盖不全,容易以偏概全。图谱式RAG通过实体扩展(支持跨文档、多跳的关联推理)和社区摘要(提供全局视角)分别补上了这两类短板。
向量式RAG返回的是一段段原文片段,读者能直接核对但难以看清逻辑脉络;图谱式RAG返回的是”实体—关系—来源”的结构化证据链,路径更清晰,便于追溯推理依据,也更适合做关联分析。
文档频繁增量更新时,向量式RAG只需对新增/变更文本块重新嵌入并更新向量库,增量友好;图谱式RAG一旦实体关系或社区结构发生变化,往往需要重算受影响的图谱部分,维护更重。在存储侧,向量式RAG依赖向量数据库即可,图谱式RAG通常还需要图数据库并维护两者的一致性。
| 维度 | 向量式RAG | 图谱式RAG |
|---|---|---|
| 索引结构 | 扁平的文本块向量集合 | 实体+关系+社区摘要的知识图谱 |
| 构建成本 | 低,流程简单 | 高,需实体/关系抽取与社区摘要 |
| 检索方式 | 相似度Top-K召回 | 实体扩展(本地)+社区摘要(全局) |
| 擅长问题 | 点查、单点信息定位 | 点查 + 多跳推理 + 全篇宏观问题 |
| 可解释性 | 返回原文片段 | 返回结构化证据链 |
| 增量更新 | 友好,增量重嵌入即可 | 较重,需重算受影响的图谱 |
| 存储依赖 | 向量数据库 | 图数据库 + 向量库 |
| 运维复杂度 | 较低 | 较高 |
选型应回到”问题形态”和”工程约束”两个坐标,而非追求单一”更优”:
从向量式RAG迁移到图谱式RAG,或在同一系统内引入图谱能力时,需重点关注:
向量式RAG与图谱式RAG的分野,根源在”索引是扁平的文本块,还是结构化的知识图谱”这一选择,并由此延伸出构建成本、检索能力、可解释性与运维复杂度的全面差异。向量式RAG胜在轻量、简单、易维护,擅长点查;图谱式RAG胜在关联推理与全局视野,适合复杂、跨文档的宏观问答,但需要更高的构建与运维投入。回到决策思路:先厘清业务问题的形态,再匹配工程约束与团队能力,必要时采用两者结合的混合架构,往往比在单一选项中做非此即彼的选择更稳妥。百度智能云等云平台在向量检索、图数据存储、模型服务与权限治理等方面提供了通用能力支撑,可为上述两类方案落地提供基础设施层面的选择空间。