RAG 與知識庫
GraphRAG 圖譜檢索增強生成是什麼？從看片段升級到看整張圖
GraphRAG 圖譜檢索增強生成是什麼？從看片段升級到看整張圖
問一般的 RAG 「為什麼張三離開 A 公司」，它會撈回幾段提到張三的文字，然後拼不出原因。因為原因分散在好幾份文件裡。
GraphRAG 的解法是先把人跟事織成一張關係網，讓 AI 沿著線走過去。
你將學到什麼
定義
先建知識圖譜，再用圖譜檢索節點與關係路徑，交給模型推理生成。
白話比喻
傳統檢索是翻剪報，圖譜檢索是看一張人物關係圖。
強在哪
能多跳推理，答得了「為什麼」與「誰影響了誰」。
代價
要先抽實體與關係、建圖、維護，建置成本比一般 RAG 高。
定義
GraphRAG 把資料織成一張關係網，再從關係的角度檢索與回答。它處理的單位不是文字片段，而是節點與關係。
整體流程是四步：從大量原始資料中抽出實體與關係、建成知識圖譜、依問題檢索相關節點與路徑、把子圖交給模型整合推理生成答案。
白話比喻
傳統檢索像翻一疊剪報。每張都提到某個人，但誰跟誰是什麼關係，得你自己拼。
圖譜檢索像刑警辦公室牆上那張關係圖。照片之間拉著紅線，寫著「兄弟」「衝突」「投靠」。一眼就看得出脈絡，也走得下去。
傳統 RAG 跟 GraphRAG 差在哪？
| 比較項 | 傳統 RAG | GraphRAG |
|---|---|---|
| 檢索單位 | 文字片段 | 節點與關係（子圖） |
| 理解能力 | 關鍵字與語意相似 | 關係脈絡與多跳推理 |
| 回答視角 | 局部片段 | 全局脈絡與大局觀 |
| 適合的問題 | 事實查詢、簡單問答 | 複雜分析、原因推理 |
| 資料組織 | 向量索引 | 知識圖譜（圖資料庫） |
實際用例
適合的場景有四類：讀整部小說或故事宇宙的角色關係與衝突發展、企業組織的部門與人員協作網絡、法條與判例之間的引用關聯、醫療與研究文獻裡疾病與藥物的潛在關聯。
建圖時要先定義實體類型（人物、組織、地點、事件、概念）與關係類型（屬於、參與、合作、對立、影響）。定義得越清楚，圖越好用，這一步跟 資訊擷取 是同一套功夫。
最常見的誤解是以為換成 GraphRAG 就會全面比較準。簡單的事實查詢它不見得更好，卻一定更貴更慢，選型要看你的問題長什麼樣。
另一個誤解是低估建置與維護成本。實體抽取抽錯、關係接錯，整張圖就會帶著錯誤推理下去，而且比單筆文件出錯更難察覺。
延伸學習
ChatGPT 很強，但真正讓你下班的是 Google
六小時完整實錄。從「AI 很厲害，為什麼你還是每天加班」這個問題出發，把 Google Workspace 當成真正的工作平台重新設計一次流程 ── Sheets 的資料結構、Drive 與 Docs 的文件流、Gmail 與 Calendar 的通知系統，再用 Apps Script 讓它自己跑起來，最後收斂成一張屬於你自己的 AI 工作能力地圖。
NT$ 4,599
知識變現切割地圖（高清版下載，不含講義）
《知識變現切割地圖》的高清完整版。一張圖把語氣、心理、內容、產品、再利用五層模組攤在同一個平面上，讓你回頭盤點已有內容、規劃新的轉化節奏。課程附上地圖本身的完整解說與應用指南，教你怎麼讀這張圖、從哪一層開始用。完整版 PDF 可下載，放大看細節不會糊。
NT$ 680