---
title: "圖檢索增強（Graph RAG）"
slug: graph-rag
language: zh-TW
source: https://aiterms.tw/terms/graph-rag
updated_at: 2026-04-29
tags: [自然語言處理, 知識圖譜, 大型語言模型, AI應用]
ipas_term: false
---

# 圖檢索增強（Graph RAG）

> **你有沒有在一堆文件裡找答案時，發現單靠關鍵字常常找不到真正相關的內容？**
>
> 你可以把 Graph RAG 想成先整理關係地圖，再去找答案。
> 它會把實體和關係串成圖，讓檢索不只看字像不像，還能看內容彼此怎麼連。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **Graph RAG vs 傳統 RAG**
> 傳統 RAG 常靠向量相似度
> Graph RAG 會把關係結構也一起用上
> 最關鍵的區別是只看相似度，還是連關係都看
>
> **Graph RAG vs 向量資料庫**
> 向量資料庫專注在相似度檢索
> Graph RAG 還要處理實體和邊的關係
> 最關鍵的區別是存向量，還是存關係網
>
### 記住這句就好

> 先找關係，再找內容。

### 實際案例

> **企業知識問答**
> 公司文件很多時，Graph RAG 可以先找部門、產品和人名之間的連結，再拉出真正相關的文件。
>
> **法規和研究查詢**
> 當一個問題牽涉多個實體和上下位關係時，Graph RAG 比只靠關鍵字更容易找對資料。
>
### 深入了解

> Graph RAG 的重點不是取代向量檢索，而是補上關係理解這一塊。
> 做得好時，它可以提高查準率，也能讓答案更貼近使用者真正想問的事。

### 情境判斷

> **Q1：** 你想問某產品屬於哪個系列、由誰負責，這種關係型問題適合什麼？
> → Graph RAG 很適合，因為它能順著圖上的關係去找。
>
> **Q2：** 如果文件沒有清楚的實體和關係，Graph RAG 還有優勢嗎？
> → 優勢會變小，因為它最吃重的就是結構化關係。
>
### 常見問題

> **Q：Graph RAG 一定比傳統 RAG 好嗎？**
> 不一定，資料結構和建置成本都會影響。
>
> **Q：它需要先做知識圖譜嗎？**
> 通常需要，或至少要有清楚的實體關係資料。
>
> **Q：可以和向量搜尋一起用嗎？**
> 可以，很多系統就是混合使用。
>
### 相關術語

> - **檢索增強生成**：先讀傳統 RAG，會更懂 Graph RAG 在補什麼
> - **知識庫**：Graph RAG 常建在知識資料上
> - **向量資料庫**：理解相似度檢索，才能看出 Graph RAG 的差異
> - **語義搜尋**：Graph RAG 常和語義搜尋一起搭配
> - **圖神經網路**：都和圖結構有關，但用途不同

---

來源：https://aiterms.tw/terms/graph-rag
快查頁：https://aiterms.tw/terms/graph-rag
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-graph-rag