GraphRAG 解决了普通 RAG 的什么问题？代价是什么？
先自己想一想，再看参考要点
参考要点
- 按切片检索处理不好两类问题：多跳问题的答案分在两份文档里，问题与第二份的相似度很低，全局问题的答案分散在整个知识库中，取几个切片覆盖不了
- GraphRAG 建索引时让模型从每个切片中抽取实体和关系组成知识图谱，查询时从问题中的实体沿着边走几步找到答案，再把相关原文交给模型生成
- 全局问题先用社区检测把联系紧密的实体分组并生成摘要，回答时每个摘要分别给出部分回答再汇总
- 代价是建索引要对每个切片调用大模型，抽取的错误会进入图中，全局搜索要读大量摘要，文档修改一般要重建
- 适合实体和关系密集的资料，普通问答用向量检索加关键词检索就够了