Ch13 RAG
对比-AgenticRAGvsGraphRAG
概述
Agentic RAG 和 Graph RAG 是 RAG 进化树上的两个高级分支。Agentic RAG 让模型动态决定检索策略，Graph RAG 利用知识图谱的结构化推理能力增强检索。
核心对比
| 维度 | Agentic RAG | Graph RAG |
|---|---|---|
| 检索策略 | 动态决策：模型自主选择何时检索、检索什么、检索几次 | 图谱推理：沿知识图谱边遍历，利用实体间结构化关系 |
| 核心技术 | Tool Use + 检索循环 + Self-Reflection | 知识图谱构建 + 图遍历 + 实体链接 |
| 检索粒度 | 灵活：可在 query 级、chunk 级、甚至 token 级检索 | 实体级：以实体和关系为检索单元 |
| 适用问题类型 | 需要多步推理、动态信息收集的复杂问题 | 多跳推理、关系型问题、需要全局结构理解的问题 |
| 基础设施需求 | LLM + 向量库 + 工具调用框架 | LLM + 知识图谱（Neo4j/NebulaGraph） + 实体链接 |
| 知识表示 | 非结构化文本 chunks | 结构化三元组 (head, relation, tail) |
| 可解释性 | 中，可追踪检索路径但未必结构化 | 高，推理路径可精确追溯为图谱路径 |
| 构建成本 | 低，标准 RAG 管道即可 | 高，需构建和维护知识图谱 |
| 2026 趋势 | 更通用，应用更广 | 特定领域（医疗、法律、科研）优势明显 |
互补与融合
Agentic Graph RAG 是 2026 年的前沿方向：让 Agent 自主决定何时走图谱推理路径、何时走向量检索路径，将两者融合为统一检索决策框架。
典型流程：
- Agent 解析问题，判断需要哪些信息
- 简单事实 → 向量检索；关系推理 → 图谱遍历
- 多轮迭代，动态调整检索策略
- 综合结果生成最终答案
相关笔记
- 自主检索 RAG（深挖） — Agentic RAG 详解
- 图谱检索 RAG（深挖） — Graph RAG 详解
- 第13章 · RAG 进化树 — RAG 技术全景
- 对比-稠密检索vs稀疏检索 — 基础检索方案对比
- 对比-RAGvs微调 — RAG 与微调对比
来源
- GraphRAG: Unsupervised Graph-Based RAG (Microsoft Research, 2024)
- Self-RAG: Learning to Retrieve, Generate, and Critique (Asai et al., 2024)
- Agentic RAG: A Survey on Agent-Based Retrieval-Augmented Generation (2025)
关联6
知识图谱局部图谱 · 点节点跳转