隨著生成式 AI 與 RAG（Retrieval-Augmented Generation）技術的不斷發展，傳統只依賴語意相似度檢索的方式，已逐漸無法滿足處理複雜、多關聯數據的需求。Graph RAG 正是為了解決此類局限而誕生，其核心在於運用知識圖譜來捕捉實體之間的關係，從而提供多跳推理、上下文結構化與解釋性更高的生成能力。本文綜合了三篇相關論述，就 Graph RAG 的設計理念、各主要方法及其應用場景做一詳細闡述，假設讀者已對 RAG 的基本概念有所認識。 Graph RAG 核心概念與優勢 傳統 RAG 系統通常在大量文本中以片段形式進行檢索，未能充分考慮資訊間的結構性關聯。而 Graph RAG 則將文本轉換成由實體（節點）與關係（邊）構成的知識圖譜，藉由結構化資訊來： 加強上下文理解：不僅檢索單一文段，而是利用整體圖結構理解跨文件之間的聯繫。
支持多跳推理：透過圖上多步關聯追蹤，能夠回答複雜問題（例如跨越多個領域的訊息整合）。
提供解釋性：使用者可以追溯生成結果的推理路徑，從圖中檢視各實體與關係的連結。 這些優勢使得 Graph RAG 尤其適合處理靜態但結構複雜的知識庫、即時動態查詢以及特定領域（如醫療與法律）的專業應用。 主要方法解析 下列將介紹目前最具代表性的四種 Graph RAG 方法，並從圖結構構建與檢索策略等角度說明它們各自的設計理念與適用場景。 1. Microsoft GraphRAG Microsoft 的 GraphRAG 採用預先構建完整知識圖的策略，首先利用大語言模型（LLM）對文本進行切分與分析，抽取出實體、關係及關鍵陳述，接著運用圖神經網路和社群檢測（例如基於模組度分割）建立層次化結構。對於查詢時，系統不僅檢索單一文段，而是根據各社群所生成的摘要來進行全局及局部的查詢匹配，從而獲得更全面的答案。 主要特點 【圖構建】：預先計算、抽取實體與關係，再以社群檢測劃分圖中社群。
【檢索策略】：根據社群摘要進行全局查詢，也能針對單一實體進行局部檢索。 適用場景 適合分析靜態、數據量龐大且複雜的資料集，如企業知識庫、學術文獻大數據分析等2。 2. LazyGraphRAG LazyGraphRAG 則針對成本優化提出一動態策略，避免提前構建整體知識圖，而是在查詢時動態生成與查詢相關的子圖。透過最佳優先與廣度優先搜尋的混合方法，系統在查詢時間內逐步抽取關聯實體與關係，並藉由設定的相關性檢查預算來平衡計算成本與查詢精確度。 主要特點 【圖構建】：於查詢時依需求動態生成輕量級子圖，無需昂貴的全圖預處理。
【檢索策略】：使用迭代加深的搜尋方法，同時兼顧局部細節與全局關聯，降低 LLM 的實時運算負擔。 適用場景…
