GraphRAG 过于复杂：我们实际用来构建知识图谱的方法
本文探讨了企业级 AI “公司大脑”构建中的检索增强生成（RAG）技术局限性，指出标准 RAG 仅擅长处理单一事实类问题，而 GraphRAG 虽然理论上能解决多文档综合问题，但其高昂成本、狭窄优势及实体解析难题使其在多数场景下过于复杂。作者介绍了其公司 QX Labs 的替代方案：“类图 RAG”——一种基于普通数据库的轻量级实体-关系系统，无需图数据库、预建图谱或自定义本体，通过惰性总结、固定本体和实体解析瀑布流实现自服务部署，显著降低了成本与运维负担。
在构建企业级 AI “公司大脑”时，GraphRAG 曾被视为终极解决方案，但本文作者 Jai Juneja 通过实践指出，这项技术过于复杂且成本高昂，实际应用效果有限。作者从三种问题类型出发，剖析了标准 RAG 的不足，并分享了 QX Labs 的轻量级替代方案。
标准 RAG 通过将文档切分为段落并转换为向量进行语义检索，在单一事实问题（如“2017 年估值备忘录中的接受率是多少？”）上表现出色。然而，企业真正需要解决的是“组合问题”（如“关于 Acme 公司我们了解多少？”）和“计数问题”（如“我们评估过哪些金融科技公司？”），这些需要跨文档综合或精确枚举的任务，RAG 往往只能给出片面答案。这类问题占据了大部分业务价值，但标准 RAG 无法胜任。
GraphRAG 通过预建知识图谱试图弥补这一缺陷：它将文档中的实体（公司、人物、产品）提取为节点，关系为边，并预生成聚类摘要。但微软研究显示，其索引成本是普通向量索引的 0.1%，而后续的 LazyGraphRAG 表明，惰性方法可在全球性问题回答质量上媲美完整 GraphRAG，且查询成本极低。此外，实体解析（如将“Acme”“ACME Holdings Inc.”合并为一个节点）在现有工具中仍是难题，出错会导致图谱碎片化或合并错误。更糟的是，图数据库带来了额外的运维负担。
QX Labs 的“类图 RAG”保留了知识图谱中经过验证的部分，摒弃了不必要的复杂性：所有数据存储在普通数据库和搜索索引中，实体类型固定为六类（公司、人物、产品、项目、事件、地点），关系通过协同出现频率自动计算，无需图查询语言。实体解析采用瀑布流策略：优先精确匹配，其次相似度搜索，仅当存在歧义时调用小型 AI 模型判断，且合并操作可逆。摘要仅在被查询时才生成，将成本与查询次数挂钩，而非语料规模。
该系统通过代理路由工具回答问题：针对单一事实、实体查询、关联扩展和全域计数，用户可观察推理链路。评估表明，它在标准 RAG 擅长的单一事实问题上保持高水平，同时在组合和计数问题上实现显著提升。尽管不擅长深度多跳推理，且关系仅为协同出现而非类型化，但对于大多数企业而言，这种折中方案捕获了 GraphRAG 的大部分价值，且无需沉重的运维负担。全文以“GraphRAG 是一个好的想法，但穿上了过多的架构外衣”点题，强调应取其思想、弃其架构。此外，系统支持自服务部署，用户只需连接数据源即可使用，无需设计模式或标注数据。成本随着查询量而非数据量增长，适合文档动态变化的企业环境。