超越向量检索:用 Graph RAG 构建具备推理能力的企业知识问答系统当 RAG 遇到知识图谱,LLM 终于能像人类一样“联想起义”而非“关键词匹配”。传统的 RAG(Retrieval-Augmented Generation)已经成为 LLM 应用的标准范式——用户提问,系统从向量数据库中检索相关片段,再丢给 LLM 生成答案。然而,这种方案隐藏着一个致命缺陷:它丢失了信息之间的关联结构。对于一个企业来说,文档中的人物、产品、日期、事件之间存在着复杂的图状关系,而向量相似度搜索只能找到“词面相近”的孤立段落,无法回答“A 公司与 B 公司有什么间接合作?”这类需要多跳推