RAG VS GraphRAG，到底什么时候用GraphRAG？一文给你搞懂！

最近的研究报告称，在许多实际任务中，GraphRAG的表现往往不如普通的RAG。因此产生一个问题：GraphRAG真的有效吗？在哪些场景下，GraphRAG有收益？为了解决这个问题，提出GraphRAG-Bench，这是一个评测GraphRAG的基准，目的是评估GraphRAG模型在层次知识检索和深度上下文推理方面的性能。文章指出的评测方式及评测结论可以参考。

GraphRAG-Bench具有一个全面的数据集，任务难度逐渐增加，涵盖事实检索、复杂推理、上下文总结和创造性生成，并对整个流程进行系统评估，从图构建和知识检索到最终生成。

RAG VS GraphRAG

下面这张图可能更清晰的看出RAG和GraphRAG的区别。

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。

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。

那么，如何系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~

👉大模型学习指南+路线汇总👈

我们这套大模型资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。

👉①.基础篇👈

基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程，带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门大模型。

👉②.进阶篇👈

接下来是进阶篇，你将掌握RAG、Agent、Langchain、大模型微调和私有化部署，学习如何构建外挂知识库并和自己的企业相结合，学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。

👉③.实战篇👈

实战篇会手把手带着大家练习企业级的落地项目（已脱敏），比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等，从而帮助大家更好的应对大模型时代的挑战。

👉④.福利篇👈

最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到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】

相信我，这套大模型系统教程将会是全网最齐全 最易懂的小白专用课！！