AI知识图谱2026：GraphRAG、实体抽取与真实用例

向量搜索能返回相似的片段，却答不出这些公司之间有什么关系。知识图谱补上了关系这一维，GraphRAG让它们重新火了起来。真实技术栈是什么？

💡 你将学到

向量搜索能返回相似的片段，却答不出这些公司之间有什么关系。知识图谱补上了关系这一维，GraphRAG让它们重新火了起来。真实技术栈是什么？

向量RAG按相似度检索片段，答不了多跳问题（供应商X召回影响哪些产品？需要在多篇文档间做事实连接）。知识图谱显式存储实体和关系，多跳查询变成图遍历。微软GraphRAG（3.54万星）让概念落地：文档切块、LLM抽取实体关系、建图、社区摘要索引、图遍历回答。2026技术栈：抽取用任意强模型加结构化输出，存储用Neo4j（本地小规模用Kuzu），混合检索用Neo4j向量索引，编排用LangChain/LlamaIndex图模块。真实付钱的场景：反欺诈（跨记录关联账号设备地址，图查询能挖出逐行ML漏掉的团伙）、供应链（追溯召回影响）、生命科学（药物-靶点-疾病多跳检索）、企业知识（谁负责什么）。成本现实：图构建是LLM重度活，10万文档的实体抽取token账单不小。最佳实践：只为真正多跳的那5-10%问题建图，其余继续向量RAG，混合而非二选一。一晚上入门：50篇文档抽三元组进Neo4j，跑10个多跳问题。