为什么rag需要知识图谱

知识图谱是很多 RAG 项目做到后期，数据变巨大都会需要的技术。向量检索解决“相似性”，知识图谱解决“关系性”。如果你的知识库只有几百篇文档，向量检索 + BM25 基本够用。但当知识库达到：几万 Chunk几十万 Chunk企业级知识库Agent 长期记忆就会逐渐暴露问题。一、传统 RAG ...

字数: 1089 | 语雀原文

知识图谱是很多 RAG 项目做到后期，数据变巨大都会需要的技术。

向量检索解决“相似性”，知识图谱解决“关系性”。

如果你的知识库只有几百篇文档，向量检索 + BM25 基本够用。

但当知识库达到：

几万 Chunk
几十万 Chunk
企业级知识库
Agent 长期记忆就会逐渐暴露问题。

一、传统 RAG 在干什么

假设知识库里有：

张三是研发负责人

研发部属于技术中心

技术中心负责人是李四

李四向CTO汇报

用户问：

张三的上级是谁？

传统 RAG：

BM25

搜：

张三 上级

找到：

张三是研发负责人

结束。

因为根本没出现：

张三上级是李四

向量检索

Embedding 后：

张三
研发负责人
上级
领导

可能找到：

张三是研发负责人

或者：

李四是技术中心负责人

但仍然无法推导：

张三
↓
研发部
↓
技术中心
↓
李四

这种多跳关系。

二、向量检索最大的缺陷

向量本质：

Query Embedding
      ↓
Chunk Embedding
      ↓
Cosine Similarity

它回答的是：

哪个 Chunk 最像这个问题

而不是：

哪些知识之间存在关系

例如：

用户问：

OpenAI 的 CEO 的母校在哪？

需要：

OpenAI
 ↓
CEO
 ↓
Sam Altman
 ↓
Stanford

这叫：

Multi-Hop Reasoning

多跳推理

而向量库里：

Chunk1:
OpenAI CEO 是 Sam Altman

Chunk2:
Sam Altman 曾就读 Stanford

两个 Chunk 完全分开。

向量检索可能只召回其中一个。

三、知识图谱解决什么

截屏2026-05-31 16.15.27.png

四、为什么 Agent 更需要图谱

RAG 最终会发展成 Memory。

例如用户长期记忆：

用户喜欢 Rust
用户正在学分布式
用户讨厌八股文
用户在做 Agent-Core

如果全部存向量：

Memory1
Memory2
Memory3
Memory4

只是孤立文本。

图谱可以变成：

用户
 ├─喜欢→Rust
 ├─学习→分布式
 ├─开发→Agent-Core
 └─排斥→八股文

当用户问：

给我推荐项目

系统能沿图扩散：

用户
 ↓
Rust
 ↓
分布式
 ↓
Raft
 ↓
存储系统

得到更精准的推荐。

这就是很多 Agent Memory 的 Graph Recall 思路。

五、GraphRAG 为什么火

微软提出的 GraphRAG 核心思想：

不是检索 Chunk。

而是检索：

实体(Entity)
关系(Relation)
社区(Community)

例如文档：

Apple 发布 iPhone

Tim Cook 发表演讲

A18 芯片由台积电代工

抽取：

Apple
iPhone
Tim Cook
A18
TSMC

图：

Apple
 ├─发布→iPhone
 ├─CEO→Tim Cook
 └─芯片→A18

A18
 └─代工→TSMC

用户问：

苹果手机供应链有哪些关键企业？

传统 RAG：

可能召回不到。

GraphRAG：

沿图扩散：

Apple
→ A18
→ TSMC

直接命中。

六、为什么很多 GraphRAG 效果反而差

因为大家误以为：

知识图谱 = RAG升级版

实际上：

很多问题根本不需要图谱。

例如：

Transformer是什么？

Self Attention原理？

什么是Redis？

这种单跳事实查询：

BM25 + Dense Retrieval

已经接近最优。

图谱真正适合：

1. 多跳推理

A -> B -> C

2. 实体关系查询

谁管理谁
谁属于谁
谁依赖谁

3. 企业知识库

组织架构

业务流程

系统依赖

代码依赖

4. Agent Memory

用户画像

长期目标

行为关系

计划状态

七、现在业界的主流方案

实际上很少有人：

只用知识图谱

而是：

截屏2026-05-31 16.11.16.png

也就是：

关键词召回 + 向量召回负责找知识；知识图谱负责扩展知识。

这是目前包括微软 GraphRAG、很多企业 Agent Memory 系统采用的思路。

总结：

向量检索回答“哪些内容相似”，BM25回答“哪些关键词匹配”，知识图谱回答“这些知识之间是什么关系”。小型 RAG 往往不需要图谱；当涉及多跳推理、企业知识库、代码库分析、Agent 长期记忆时，知识图谱的价值才会真正体现出来。