GraphRAG 過於複雜：我們實際用來構建知識圖譜的方法
本文探討了企業級 AI “公司大腦”構建中的檢索增強生成（RAG）技術侷限性，指出標準 RAG 僅擅長處理單一事實類問題，而 GraphRAG 雖然理論上能解決多文件綜合問題，但其高昂成本、狹窄優勢及實體解析難題使其在多數場景下過於複雜。作者介紹了其公司 QX Labs 的替代方案：“類圖 RAG”——一種基於普通資料庫的輕量級實體-關係系統，無需圖資料庫、預建圖譜或自定義本體，透過惰性總結、固定本體和實體解析瀑布流實現自服務部署，顯著降低了成本與運維負擔。
在構建企業級 AI “公司大腦”時，GraphRAG 曾被視為終極解決方案，但本文作者 Jai Juneja 透過實踐指出，這項技術過於複雜且成本高昂，實際應用效果有限。作者從三種問題型別出發，剖析了標準 RAG 的不足，並分享了 QX Labs 的輕量級替代方案。
標準 RAG 透過將文件切分為段落並轉換為向量進行語義檢索，在單一事實問題（如“2017 年估值備忘錄中的接受率是多少？”）上表現出色。然而，企業真正需要解決的是“組合問題”（如“關於 Acme 公司我們瞭解多少？”）和“計數問題”（如“我們評估過哪些金融科技公司？”），這些需要跨文件綜合或精確列舉的任務，RAG 往往只能給出片面答案。這類問題佔據了大部分業務價值，但標準 RAG 無法勝任。
GraphRAG 透過預建知識圖譜試圖彌補這一缺陷：它將文件中的實體（公司、人物、產品）提取為節點，關係為邊，並預生成聚類摘要。但微軟研究顯示，其索引成本是普通向量索引的 0.1%，而後續的 LazyGraphRAG 表明，惰性方法可在全球性問題回答質量上媲美完整 GraphRAG，且查詢成本極低。此外，實體解析（如將“Acme”“ACME Holdings Inc.”合併為一個節點）在現有工具中仍是難題，出錯會導致圖譜碎片化或合併錯誤。更糟的是，圖資料庫帶來了額外的運維負擔。
QX Labs 的“類圖 RAG”保留了知識圖譜中經過驗證的部分，摒棄了不必要的複雜性：所有資料儲存在普通資料庫和搜尋索引中，實體型別固定為六類（公司、人物、產品、專案、事件、地點），關係透過協同出現頻率自動計算，無需圖查詢語言。實體解析採用瀑布流策略：優先精確匹配，其次相似度搜尋，僅當存在歧義時呼叫小型 AI 模型判斷，且合併操作可逆。摘要僅在被查詢時才生成，將成本與查詢次數掛鉤，而非語料規模。
該系統透過代理路由工具回答問題：針對單一事實、實體查詢、關聯擴充套件和全域計數，使用者可觀察推理鏈路。評估表明，它在標準 RAG 擅長的單一事實問題上保持高水平，同時在組合和計數問題上實現顯著提升。儘管不擅長深度多跳推理，且關係僅為協同出現而非型別化，但對於大多數企業而言，這種折中方案捕獲了 GraphRAG 的大部分價值，且無需沉重的運維負擔。全文以“GraphRAG 是一個好的想法，但穿上了過多的架構外衣”點題，強調應取其思想、棄其架構。此外，系統支援自服務部署，使用者只需連線資料來源即可使用，無需設計模式或標註資料。成本隨著查詢量而非資料量增長，適合文件動態變化的企業環境。