RAG 这几年变化比想象中快。到了 2026，一个明显的转向是，越来越多的人开始把'图'塞进检索链路里。不是赶时髦，而是传统那一套基于向量平面相似性的做法，在企业场景下真的不够用了。
过去做 RAG，基本思路就是把文档切成块，跟查询算个余弦相似度，然后把得分最高的几段塞给 LLM 去生成答案。这个方法简单，也有效，但它只解决了一类问题：语义上'像不像'。一旦问题需要一点推理，比如'A 公司的合规缺陷可能影响哪些下游合同'，或者'这个患者用了 X 药后出现的 Y 症状，与三个月前的那次诊疗记录有什么关联'，纯向量检索就懵了。它不知道实体之间的关系，只能把所有相关片段都扔进去，然后祈祷模型自己能拼出答案。
这就是图检索（GraphRAG）冒出来的原因。它的存储不是一个平面向量库，而是一张知识图谱——节点是实体，边是关系。查询时，不再只靠向量相似度，而是沿着边去遍历，把多跳关联的节点都带上。这样一来，模型拿到的不是一个碎片，而是一个小范围的'上下文子图'，里面既有 A 又有 B，还有它们之间的路径。推理不再是猜谜，而是沿着明确的关系走。
传统 RAG 还有两个让人头疼的老毛病，GraphRAG 解决得也比较巧妙。一个是上下文窗口有限，信息多了塞不下；另一个是'中间信息丢失'——长文本里，模型经常会忽略段落中部的关键信息。图的做法是把结构化的'知识'放在外部图数据库里，检索时只取最相关的子图，不靠文本位置定重要性，而是靠关系。这样既省了 token，又避免了位置导致的遗漏。
不过，要说 GraphRAG 最打动企业的，可能还是可解释性。在金融、医疗、法律这些行业，你不能只给一个答案，还得说清楚'为什么是这个答案'。传统 RAG 常常就是一个黑箱，你只能猜测模型参考了哪些片段。但图检索能给出清晰的推理路径：结果来自哪些实体，它们之间是哪些关系起作用，每一步探查都有据可查。这对合规和决策审计来说，价值太大了。
当然，整个转向加速跟模型本身也有关。2026 年，以推理为核心的模型成了 RAG 的新标配，像 DeepSeek 的后续版本，对逻辑和思维链的支持已经很成熟。这类模型天然适合跟图谱协作——它们擅长的不是背课文，而是理解结构、生成查询、合成关系。结果是，GraphRAG 不再只是一个论文里的概念，而是一个可以落地的架构。
到这里，需要提一下 DeepSeek 在图谱构建环节的实际用处。企业数据大部分是非结构化的，合同、邮件、报告，要从这些材料里抽取出实体和关系，是构建知识图谱的第一步。这一步如果靠传统的 NER 模型，经常会漏掉一些领域特有的词，或者识别不了复杂的语义。DeepSeek-V3 在这方面的表现很实在，尤其对少见实体和领域特定关系的抽取，准确率高出不少。这直接决定了后面知识图谱的质量。
另一个好处是 schema 层面。以前构建知识图谱，你得先定义好实体类型和关系类型，然后数据只能往这个框里填。可企业业务是变的，新实体、新关系会不断冒出来。DeepSeek 的零样本和少样本能力让 schema 可以'随数据生长'。你不用预先训练一个抽取器，只需要给出几个示例甚至直接让它根据上下文去判断，它就能把新的关系抓出来。这种灵活性对长期维护来说非常关键，也减少了人工标注和重复调试的成本。
