本文对比了RAG与GraphRAG在大模型知识检索中的应用，指出GraphRAG在复杂推理任务中表现更优，但实现复杂且效率较低。为评估GraphRAG性能，提出了GraphRAG-Bench基准，涵盖事实检索至创造性生成等任务，从图构建到生成进行系统评估。实验表明，GraphRAG在复杂推理任务中优势明显，但简单任务中不如传统RAG。

RAG VS GraphRAG

下面这张图可能更清晰的看出RAG和GraphRAG的区别。

RAG VS GraphRAG

特性	RAG	GraphRAG
知识表示	使用文本块（chunks），通过向量嵌入进行索引。	使用图结构，节点代表实体、事件或主题，边定义逻辑、因果或关联关系。
检索机制	关键词匹配或向量相似度检索。	图遍历，检索直接相关节点及相互连接的子图。
复杂查询处理	适用于需要快速访问离散信息的任务，但不擅长复杂逻辑推理。	适用于需要深度上下文分析和复杂推理的任务，能够合成来自分散数据点的见解。
适用场景	简单问答系统，需要快速响应的任务。	医学诊断、法律分析、科学推理等需要深度理解和复杂推理的任务。
复杂性	实现相对简单，依赖现有文本检索技术。	实现较为复杂，需要构建和维护图结构，以及高效的图遍历算法。
性能	在不需要复杂推理的任务上表现良好。	在需要复杂推理和上下文理解的任务上表现出色，但可能增加检索速度和资源消耗。

评测

现有评测都比较简单，因此提出一个比较全面的评测基准-GraphRAG-Bench，包括难度逐渐增加的任务，涵盖事实检索、多跳推理、上下文总结和创造性生成等。

按复杂性分类的任务，从事实检索到创造性生成。

类别	任务名称	简要描述	示例
第1级	事实检索	需要检索孤立的知识点，最小化推理；主要测试精确的关键词匹配。	蒙特圣米歇尔位于法国的哪个地区？
第2级	复杂推理	需要通过文档中的逻辑连接链接多个知识点。	Hinze与Felicia的协议如何影响对英格兰统治者的看法？
第3级	上下文摘要	涉及将碎片化信息综合成一个连贯、有结构的答案；强调逻辑连贯性和上下文。	John Curgenven作为康沃尔船夫在探索该地区的游客中扮演什么角色？
第4级	创造性生成	需要超越检索内容的推理，通常涉及假设或新颖的场景。	将亚瑟王与John Curgenven的比较以及康沃尔海岸线的探索重述为新闻文章。

评估指标

在评估GraphRAG系统时，引入了多种指标来全面评估系统在知识图谱构建、检索和生成过程中的表现：

1. Graph Quality (图质量)

• NODE COUNT（节点数量）：衡量在知识图谱构建过程中提取的实体数量。较高的节点数量意味着更广泛的领域覆盖和更细粒度的知识表示。

• Edge Count（边数量）：衡量实体之间的关系数量。较高的边数量表明更密集的语义连接，有助于多跳推理和复杂查询处理。

• Average Degree（平均度）：通过计算每个节点的平均边数来衡量全局连接性。较高的平均度表示更集成的知识表示，支持高效的跨节点遍历。

  其中， 是节点集合， 是节点 的度。

• Average Clustering Coefficient（平均聚类系数）：通过三元组完成来评估局部邻域连接性。较高的值表明存在连贯的子图，支持局部推理。

  其中， 是节点 的聚类系数， 表示其中心三角形数。

2. Retrieval Performance (检索性能)

• Context Relevance（上下文相关性）：衡量检索内容与问题意图的对齐程度。通过计算问题和检索证据之间的语义相似性来量化，较高的值表示更集中和相关的信息。
• Evidence Recall（证据召回率）：通过评估是否捕获了正确回答问题所需的所有关键组件来衡量检索的完整性。较高的值表示更全面的证据收集。

3. Generation Accuracy (生成准确性)

• Lexical Overlap（词汇重叠）：使用最长公共子序列匹配来衡量生成答案与参考答案之间的词级相似性。
• Answer Accuracy（答案准确性）：评估生成答案与参考答案的语义相似性和事实一致性。
• Faithfulness（忠实度）：评估长篇答案中的相关知识点是否忠实于给定的上下文。
• Evidence Coverage（证据覆盖率）：衡量答案是否充分涵盖了与问题相关的所有知识。

实验性能

GraphRAG在需要多跳推理和上下文综合的任务中表现优异，但在简单事实检索任务中不如传统RAG。

• 生成准确性: 基本RAG在简单事实检索任务中表现优于GraphRAG，但在复杂推理、上下文摘要和创造性生成任务中，GraphRAG表现出明显优势。
• 检索性能: GraphRAG在复杂任务中表现出色，特别是在需要多跳推理和上下文综合的任务中，能够连接远距离文本片段，提供更全面的信息。
• 图复杂性: 不同GraphRAG实现生成的索引图显示出显著的结构差异，HippoRAG2生成的图更为密集，提高了信息连接性和覆盖范围。
• 效率: GraphRAG由于额外的知识检索和图聚合步骤，增加了提示长度，导致效率降低，尤其是在复杂任务中。

参考文献：When to use Graphs in RAG: A Comprehensive Analysis for Graph Retrieval-Augmented Generation，https://arxiv.org/pdf/2506.05690v1

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

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】