核心区别可以一句话概括：

  • 普通 RAG 的输入数据是“按段切开的文本块 + 这些块的向量”；

  • GraphRAG 的输入数据是“在此基础上，再提取出实体、关系、节点、边、社区等图结构”，也就是“文本 + 图”。[developer.volcengine]

展开说就是两层差异：索引阶段怎么处理数据、检索给模型的上下文长什么样。

1. 普通 RAG：文本块 + 向量

普通 RAG 的基本做法：

  • 数据准备：

    • 将原始文档（PDF、网页、Markdown 等）切成若干文本块（chunk）；

    • 对每个文本块生成一个向量嵌入，并存入向量数据库；[blog.csdn]

    • 存储的核心结构是：{chunk_id, 向量 embedding, 原始文本, 元数据}。

  • 查询时：

    • 把用户问题向量化，在向量库中做相似度匹配；

    • 取出最相似的若干文本块，把这些原始文本块拼到 Prompt 里喂给大模型。[cloud.tencent]

所以，普通 RAG 的输入数据，本质是独立的文本段落 + 对应的向量表示，它不显式存储“谁和谁有关系”，只是依赖语义相似度。[qiankunli.github]

2. GraphRAG：文本块 + 知识图谱（图结构）

GraphRAG 在此基础上，多做了一步：
先把文本转成图，再用图来组织和检索知识。[docs.feishu]

2.1 索引阶段的输入数据

GraphRAG 的索引管线通常包含这些步骤：[cnblogs]

  • 同样先有文本块（chunk），但不会停在“块 + 向量”上；

  • 用 LLM 或规则从文本中提取：

    • 实体（Person, Company, Product, Disease 等）；

    • 关系（owns, manages, caused_by, part_of 等）；

    • 事件或声明（谁在什么时间做了什么）；

  • 将这些实体与关系构建为知识图谱：

    • 节点（node）：实体/概念/社区摘要等；

    • 边（edge）：实体之间的关系；

    • 协变量（covariates）：节点或边上的属性、证据、来源。

  • 进一步用社区检测算法（Louvain/Leiden 等）对图做分区，生成社区级摘要，方便回答“全局性问题”。[docs.feishu]

因此，GraphRAG 的输入不再只是“单块文本 + 向量”，而是：

  • 文档及其文本块（chunk）；

  • 从这些文本块中抽取出的实体、关系、三元组；

  • 用这些三元组构成的图结构（知识图谱）；

  • 图上各节点、社区的摘要。

2.2 查询时给模型的上下文

GraphRAG 查询时通常会：

  • 根据用户问题在图中做路径搜索或社区检索，找到相关的节点/子图；[cloud.tencent]

  • 拉取这些节点关联的文本证据（原始段落）、图谱结构信息（谁与谁相关、通过几跳关联）；

  • 让大模型同时看到：

    • 局部文本片段（类似普通 RAG）；

    • 图结构的摘要/关系说明（例如“公司 A 与 B 通过 3 层控股关系相连”）；

  • 对于全局性问题（如“这批文件的主要主题是什么？”），通过社区摘要 + map-reduce 方式生成答案。[cnblogs]

所以 GraphRAG 喂给模型的不只是“几个相关段落”，而是段落 + 关系 + 图结构的概要，这就是它在多跳推理、跨文档关联、全局总结方面更强的根本原因。[memgraph]

3. 总结成一句对比

如果用一句对比：

  • 普通 RAG：

    • 输入数据形式：

      • 文档 → 文本块 → 向量

    • 检索维度：

      • 主要靠“这个问题和哪几段文本语义最相似？”

  • GraphRAG：

    • 输入数据形式：

      • 文档 → 文本块 + 实体/关系 → 知识图谱（节点+边+社区）+ 向量

    • 检索维度：

      • 既考虑语义相似度，也显式利用“谁和谁通过什么关系、多大距离相关”，能做多跳关联和全局总结。

所以，从“输入数据”的角度看，核心区别就是：普通 RAG 把输入变成“向量化的段落集合”，GraphRAG 把输入变成“带结构的图（图谱） + 段落 + 向量”。