用图谱确定性检索替代向量概率匹配能有效解决 LLM 事实幻觉

向量检索 RAG 依赖概率匹配，容易产生语义相关但逻辑不连贯的结果，从而引发模型幻觉。GraphRAG 将非结构化文本转化为明确的 (实体-关系-实体) 三元组构建知识图谱，让模型能通过多跳查询获取逻辑严密的事实子图。

这种增强方式在三个维度有优势。在医疗场景下，知识图谱通过显式关系边区分“药物 A 导致副作用 B”与“药物 A 缓解副作用 B”，避免语义漂移。面对全局性问题，它利用预先聚类和摘要，基于图结构的全局拓扑认知知识分布，解决了传统 RAG 依赖 Top-K 检索导致的碎片化错误输出。此外，它能呈现如“实体 A -> 关系 R -> 实体 B”的推理路径，提升了可解释性。

落地 GraphRAG 需要 LLM 自动抽取三元组，并配合 NebulaGraph 或 Neo4j 等图数据库。通过以下 Cypher 查询可实现知识检索：

MATCH (p:Person {name: "OpenAI"})-[:DEVELOPED]->(m:Model)
RETURN m.name

目前工业界倾向于将向量索引与图索引结合。通过GitHub 上的 pingcap/autoflow可以看到，这款基于 TiDB Serverless Vector Storage 构建的 conversational knowledge base 工具采用了 Graph RAG based 架构。结合这种“概率+确定性”的双轨机制，先用向量检索锁定锚点，再利用图谱拓展上下文，能更有效地解决事实性问题。当上述混合检索条件同时成立时，可以通过 SQL 实现向量搜索、主题建模及 RAG 增强。