本文深入探讨了在投研系统等场景下如何选择RAG架构。文章指出GraphRAG擅长处理跨文档关系挖掘如“宁德-比亚迪-动力电池供应链”而普通Vector RAG在长上下文中提取跨文档关系不稳定。文章强调区分“找文档片段”和“找文档关系”并提供判断GraphRAG是否值得上的关键指标关系问题占比实体抽取准确率需高于85%。文章还分析了典型错误回答如认为GraphRAG更准和正确策略如双链路路由分流并分享了投研系统部署GraphRAG的实际工程经验。AI 落地面试深水区 · 第 19 课 · RAG 深挖篇 14/14RAG 架构选型题上一课讲完 embedding 怎么换。这课收 RAG 深挖篇——投研系统读 100 份财报宁德-比亚迪-动力电池供应链这种跨 3 份文档的关系普通 RAG 拼不出来。要不要上 GraphRAG先把术语翻成人话GraphRAG把实体关系存成图谱来查entity文档里的人 / 公司 / 产品relation谁和谁有什么关系community summary把相关实体聚成一团、给每团写摘要vector RAG普通 chunkembedding 那种一、面试现场面试官提问“100 份财报里找关系GraphRAG 值得上吗”小红书架构二面。候选人答chunk 切大一点 rerank面试官摇头“这个问题不是 chunk 大小能解决的——就算上下文 200k100 份财报照样塞不下更别说让模型在长上下文里稳定抽出跨文档关系。”这题考的是能不能区分找文档片段和找文档之间的关系——前者 vector RAG 够用后者才轮到 GraphRAG。直接回答GraphRAG 只解关系问题看实体抽取够不够稳。该不该上怎么判断关键就是关系问题占比 实体抽取准确率这两条下面三类问题展开讲清楚 GraphRAG 值不值得上。二、大多数人怎么答的典型翻车回答“普通 RAG 不准就上 GraphRAG图谱一定更高级、更准。”这个回答的根本误判把 GraphRAG 当更准的 RAG。事实是GraphRAG不是更准——它解决另一类问题跨文档关系对单点事实问答“宁德 2025 Q4 营收多少”反而绕远路、延迟翻倍。还有一类回答凡是企业知识库都该建图谱反正图谱信息密度高。维护成本算过吗实体抽取 关系维护 增量入图每一步都要人力。我见过最常见的翻车抽取准确率 80% 就硬上图谱——错的实体进图谱比没有图谱更糟因为错误会沿关系链放大。三、深度解析三类问题 一条硬规则判断该不该上 GraphRAG先把业务问题拆成三类再看哪些对得上 GraphRAG 的擅长。问题类型 1 · 关系推理GraphRAG 加分明显例如“宁德 → 比亚迪 → 动力电池供应链”“公司 → 高管 → 关联交易”“药品 → 靶点 → 临床试验”。普通 RAG 只能各召回一段靠 LLM 上下文里推理拼接链路越长越容易丢节点。GraphRAG 把关系存进边一次子图查询拿全条链路。这类问题是 GraphRAG 的主战场。问题类型 2 · 跨文档聚合GraphRAG 也擅长例如“新能源车 2025 全年行业趋势”——需要聚合 100 份报告。普通 RAG 召回 top-5 chunk覆盖率不够。GraphRAGcommunity summaryLeiden 算法分社区 分层抽象提供从单文档到整库的分级摘要覆盖完整。问题类型 3 · 事实问答普通 RAG 更好例如“宁德 2025 Q4 营收多少”“比亚迪 2025 年新增专利数”。不需要走图谱——普通 vector RAG hybrid 检索 rerank 命中率更高、延迟更低。强行用 GraphRAG 答案绕远路 延迟翻 2-3 倍 准确率反而下降。硬规则不可让步上 GraphRAG 之前先算实体抽取准确率。低于 85% 直接放弃错实体进图谱比没图谱更糟——错误会沿关系链放大。最稳的姿势是vector RAG GraphRAG 双链路路由层按问题类型分流。四、面试官追问链追问 1“什么时候 GraphRAG 反而会拖慢项目”至少四个场景命中任一别上① 实体抽取准确率 85%——错实体沿关系链放大② 关系太稀疏平均 2 条边——退化成稀疏字典③ 业务 80% 是事实问答——为 20% 拖累 80%④ 实体 10000——人力成本不划算真实案例某 B 端 FAQ 系统试图上 GraphRAG发现 90% 是如何 xxx事实问答3 个月后回退到 vector RAG。追问 2“实体抽取错了会怎样影响答案”错误会沿关系链放大① 实体识别错“小米手机被识别成小米公司”→ 关系挂错节点 → 召回无关上下文② 关系类型错“投资被识别为收购”→ 推理链断裂 → LLM 接到错链路再生成 严重幻觉。真实数据某投研项目实体抽取 82% 准确率时GraphRAG 答案错误率反而比 vector RAG 高 8pp。防御实体抽取必须人工抽样验证准确率门槛 90%核心实体加白名单宁德时代等高频专有名词不允许漏识或错识。追问 3“企业知识库是不是都适合图谱化”不是。先问三个问题① 80% 的查询是关系推理还是事实问答② 实体抽取能不能稳定到 90%③ 图谱维护有没有专人 owner全 Yes 才上 GraphRAG。否则更划算的方案是vector RAG 精心设计的 metadata query rewrite。我的优先顺序先把 vector RAG 做到 80% 命中占业务的 80%剩下 20% 真正的关系问题再考虑 GraphRAG 增量上线不是反过来。五、投研系统的 vector GraphRAG 双链路场景投研团队 100 份财报 50 份行业报告既要查事实又要查关系。下面是双链路的工程动作。STEP 1 · 问题路由分流入口加 LLM 分类器 · “这个问题是事实型还是关系型”。事实型走 vector RAGchunk 512 BM25vector hybrid关系型走 GraphRAG。↳ 结果路由准确率 92%错路由的 8% 走兜底双链路都跑取较优。STEP 2 · GraphRAG 图谱构建实体抽取用通用大模型跑全文截至 2026-05-12 主流推理模型即可专家词典补充核心实体关系抽取三元组(主语, 关系, 宾语)关系类型限定在白名单 12 种社区检测Leiden 算法分层抽象。↳ 结果100 份文档 → 1200 个实体 → 3400 条关系。STEP 3 · 双链路在线服务query → 路由 → vector RAG / GraphRAG → rerank → LLM。GraphRAG 输出实体子图 社区摘要喂 LLM兜底GraphRAG 子图为空没找到关系自动 fallback 到 vector RAG。↳ 结果双链路 P95 延迟 1.8s可接受。STEP 4 · 图谱质量监控每周抽 100 条关系做人工验证准确率 88% 自动报警 暂停新数据进图谱月度增量入图不全量重建。↳ 结果图谱质量 12 周稳定在 90%。↳ 复盘数字匿名投研项目上线 90 天后回归集结果关系类问题命中率vector RAG 47% → GraphRAG 78%但事实类问题反过来vector RAG 92% → GraphRAG 76%。我的判断分流是对的不要一刀切替换GraphRAG 是关系问题的工具不是 RAG 的升级版。2026年AI行业最大的机会毫无疑问就在应用层字节跳动已有7个团队全速布局Agent大模型岗位暴增69%年薪破百万腾讯、京东、百度开放招聘技术岗80%与AI相关……如今超过60%的企业都在推进AI产品落地而真正能交付项目的大模型应用开发工程师****却极度稀缺落地AI应用绝对不是写几个prompt调几个API就能搞定的企业真正需要的是能搞定这三项核心能力的人✅RAG融入外部信息修正模型输出给模型装靠谱大脑✅Agent智能体让AI自主干活通过工具调用Tools环境交互多步推理完成复杂任务。比如做智能客服等等……✅微调针对特定任务优化让模型适配业务目前脉脉上有超过1000家企业发布大模型相关岗位人工智能岗平均月薪7.8w实习生日薪高达4000远超其他行业收入水平技术的稀缺性才是你「值钱」的关键具备AI能力的程序员比传统开发高出不止一截有的人早就转行AI方向拿到百万年薪AI浪潮正在重构程序员的核心竞争力现在入场仍是最佳时机我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】⭐️从大模型微调到AI Agent智能体搭建剖析AI技术的应用场景用实战经验落地AI技术。从GPT到最火的开源模型让你从容面对AI技术革新大模型微调掌握主流大模型如DeepSeek、Qwen等的微调技术针对特定场景优化模型性能。学习如何利用领域数据如制造、医药、金融等进行模型定制提升任务准确性和效率。RAG应用开发深入理解检索增强生成Retrieval-Augmented Generation, RAG技术构建高效的知识检索与生成系统。应用于垂类场景如法律文档分析、医疗诊断辅助、金融报告生成等实现精准信息提取与内容生成。AI Agent智能体搭建学习如何设计和开发AI Agent实现多任务协同、自主决策和复杂问题解决。构建垂类场景下的智能助手如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等。如果你也有以下诉求快速链接产品/业务团队参与前沿项目构建技术壁垒从竞争者中脱颖而出避开35岁裁员危险期顺利拿下高薪岗迭代技术水平延长未来20年的新职业发展……那这节课你一定要来听因为留给普通程序员的时间真的不多了立即扫码即可免费预约「AI技术原理 实战应用 职业发展」「大模型应用开发实战公开课」还有靠谱的内推机会直聘权益完课后赠送大模型应用案例集、AI商业落地白皮书
