为什么 RAG 需要图：向量的三类盲区
本文基于模型知识整理（生成时未联网核对），关键结论建议对照经典文献复核。
一句话定义
向量 RAG 在三类问题上结构性失效——多跳关系推理、全局聚合统计、跨文档主题综合——因为"相似度匹配"只能找到与问题字面相似的片段，而这三类问题的答案分散或根本不存在于任何单一片段中；图结构恰好补上这三类盲区。
为什么重要
这是整个 GraphRAG 方向的立项依据：判断"我的场景要不要上图"，等价于判断业务问题里这三类问题占比多高。识别盲区也能防止相反的错误——把向量能解决的问题硬上图，白白承担构建与维护成本（kp-026 的选型框架）。
前置知识
kp-001（向量 RAG 的原理）、kp-018（图的表达能力）。
核心概念
- 盲区一：多跳（multi-hop）。"A 供应商的母公司是谁"需要两步：先找 A 的母公司关系、再取名字。证据分散在两个块里，单次相似度检索无法同时贴近两者；即便两块都进了 top-k，模型也常拼错链路（推理链条拉长错误率上升）。
- 盲区二：全局聚合（global sensemaking）。"本季度文档里主要的风险主题有哪些"——答案不是某个片段，而是全库的模式。向量检索按"与问题相似"取 top-k，天然只返回局部片段，无法做全量主题归纳。
- 盲区三：跨文档关系综合。"所有涉及 X 技术的文档之间是什么关系（引用/竞争/依赖）"——关系信息隐含在多份文档的叙述里，需要显式结构才能查询。
- 图的三板斧对应解：多跳→图遍历（kp-025）；全局→社区摘要层次（kp-024）；关系综合→显式关系查询。
原理与机制
向量检索的本质约束：它是"top-k 相似片段"机器——相似度是问题与片段的函数，与全库结构无关。凡答案依赖"结构关系"或"全集统计"的问题，片段级检索在数学上就不可能胜任。这不是嵌入模型不够好，是检索范式的边界。
图如何补位：实体与关系被显式建模后，问题被解析为图查询——多跳问题变成一次遍历（确定性，无误）；全局问题变成对预计算摘要层次（社区树）的检索（kp-024 的 Map-Reduce 思想）；关系问题变成模式匹配。向量路继续负责语义模糊的片段检索——两条路的查询形态互补（kp-026 的路由架构）。
判定清单（要不要图的快速测试）：业务问题中——出现"的……的……"链式提问多吗？需要"共有/都/排名/影响哪些"聚合吗？需要跨文档对齐同一实体吗？三项超过一项，值得上图；全是"X 是什么/怎么做"型问题，向量 RAG 足矣。
图示
问: "供应 H 物料且母公司在德国的供应商有哪些?"
向量RAG: top-k 找到零散片段, 答案支离破碎 ✗
GraphRAG: MATCH (m {name:'H'})<-[:SUPPLIES]-(s)-[:OWNED_BY]->(p {country:'德国'})
一次遍历, 确定返回 ✓
问: "全库文档的主要风险主题?"
向量RAG: top-k=局部, 以偏概全 ✗
GraphRAG: 社区层级摘要 → 逐层归纳 ✓实例或案例
- 供应链问答：纯向量 RAG 对"间接依赖"类问题正确率不足三成，图谱化后多跳问题可确定性回答。
- 投研助手："某公司所有对外投资与关联担保"依赖实体对齐与关系链，图是唯一可行路径。
- 反例（不图的场景）：HR 政策问答——问题全部是"怎么算/去哪办"型片段检索，上图纯属浪费。
常见误区
- 误区一："图能取代向量"。图的强项是结构与关系，语义模糊匹配（"怎么退货"这种口语）仍靠向量/BM25；两者是并集（kp-026）。
- 误区二："多跳问题加大 k 就行"。证据块进了上下文不等于模型能正确串联多跳；显式结构是可靠解，加大 k 只是碰运气且更贵。
- 误区三："全局问题用长上下文塞全库"。全库超出任何窗口，且长上下文中部遗忘（kp-014）让全量归纳更不可靠；摘要层次（Map-Reduce）才是正解。
与其他知识点的关系
自测题
- 向量检索的三类结构性盲区是什么？
答：多跳关系推理、全局聚合统计、跨文档关系综合——答案依赖结构或全集，而相似度检索只能给 top-k 局部片段。
- 为什么"加大 k"救不了多跳问题？
答：多跳需要按中间实体串联两次检索（第二步依赖第一步结果），静态 top-k 无法表达这种依赖；且块多噪音多、推理链更易错。
- 快速判断要不要上图的三问是什么？
答：链式提问多不多、聚合统计需求多不多、跨文档实体对齐需求多不多；超过一项值得上图，全是片段型问题则不必。
延伸阅读
- Edge 等, "From Local to Global: A Graph RAG Approach to Query-Focused Summarization"（Microsoft, 2024）。
- Han 等, "Retrieval-Augmented Generation with Graphs (GraphRAG) 综述"（2024）。
- Safari/Anthropic 等企业博客对"RAG 何时需要 KG"的工程讨论。