RAG 架构下的知识图谱增强如何有效降低 LLM 的事实性幻觉

单纯靠向量数据库的语义检索（Vector Search）来做 RAG，本质上是在玩“概率匹配”游戏。很多时候 LLM 产生幻觉，是因为检索回来的 Chunk 虽然语义相关，但缺乏逻辑链条，导致模型在拼凑答案时出现了事实性偏差。而引入知识图谱（KG）的 GraphRAG，实际上是给模型提供了一套“确定性”的索引。

知识图谱增强的核心在于将非结构化的文本转化为 (实体-关系-实体) 的三元组。当用户提问时，系统不再仅仅寻找相似的文本片段，而是通过实体链接在图谱中进行多跳查询（Multi-hop Retrieval）。这意味着模型拿到的不再是几段碎片化的文字，而是一个结构清晰的事实子图。

这种架构对降低幻觉的影响体现在三个维度：

1. 消除“语义漂移”
传统的向量检索在面对专有名词或极其相似的概念时经常翻车。比如在医疗领域，“药物 A 导致副作用 B”和“药物 A 缓解副作用 B”在向量空间中距离极近，但事实截然相反。知识图谱通过显式的关系边（Edge）定义了逻辑方向，强制模型在事实框架内生成，而不是靠概率预测下一个词。

2. 解决全局性问题（Global Query）
标准的 RAG 很难回答“这份文档的核心观点是什么”这种需要全局概括的问题，因为 Top-K 检索只能抓取局部片段。GraphRAG 通过预先对社区（Community）进行聚类和摘要，让模型能够基于图结构的全局拓扑地理解知识分布，从而避免因为信息缺失而产生的“一本正经地胡说八道”。

3. 增强可解释性的溯源
当 LLM 给出答案时，GraphRAG 可以直接给出路径：实体 A -> 关系 R -> 实体 B。开发者可以通过简单的查询语句验证事实路径，而不是在几千字的检索原文中苦苦寻找依据。

对于开发者来说，落地这套方案的门槛在于图谱的构建。目前比较高效的路径是利用 LLM 自动化提取三元组，配合像 NebulaGraph 或 Neo4j 这样的图数据库。一个简单的 Cypher 查询逻辑就能替代复杂的向量调优：

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

目前的趋势是将向量索引与图索引做混合检索（Hybrid Search）。先用向量检索定位锚点，再用图谱扩展上下文。这种“概率+确定性”的组合，才是目前工业界解决 LLM 事实性问题的最优解。