HybridRAG

• https://www.zhihu.com/search?type=content&q=知识图谱
• 实战指南：知识图谱建好了，为什么还是用不起来 - 韩欣的文章 - 知乎
  https://zhuanlan.zhihu.com/p/2037452262138754470

HybridRAG的思路比较好：两路一起上。NVIDIA和BlackRock 2024年的论文，同时用向量检索和图检索，结果拼接后送给LLM。忠实度0.96，答案相关性0.96。比单独用任何一路都好。向量做语义匹配，图做结构推理，互补。

都涉及实体之间的结构化关系。而结构化关系恰好是向量检索的盲区，也是知识图谱的主场。

所以知识图谱的构建和维护是一个持续的工程问题。不是搭一次就完事。文档更新了要更新图谱，设备改了要更新节点，新规程发布了要增量抽取。这个维护成本比向量库高一个数量级。向量库更新一条chunk就是一次embedding调用。知识图谱更新可能涉及实体合并，关系修正，社区结构重算。

数据准备成本。文档要清洗，扫描件要OCR校验，多版本要统一

决策框架很简单：如果你只需要回答找找某个参数在哪个规程里这种语义匹配类问题，纯向量RAG够用，别上GraphRAG，多此一举。如果你的业务里大量涉及谁跟谁是什么关系A的变化会影响B这种结构化推理，那GraphRAG值得投入。介于两者之间的，先试HybridRAG。