张三的上上级：向量检索查不到，GraphRAG 为什么能

2026 年 11 月 15 日修改记录

一个文档里没写的问题#

答案拆在两条笔记里0 / 4

向量检索怎么查#

传统 RAG 的检索0 / 4

实测：要找的那条排第 7#

14 条笔记的相似度由中文向量模型 bge-small-zh-v1.5 实际算出，实验代码附在文末。

向量检索交给大模型的是哪几条0 / 5

问题里没有李四#

为什么第二跳排不上来0 / 5

调大 k、换问法、加重排序#

补救办法为什么不管用（示意）0 / 5

分两次查能接上，但已经不是一次检索#

微软研究院介绍 GraphRAG 时，把这列为传统 RAG 的第一个短板：答案要靠共同的线索把分散的信息串起来时，传统 RAG 串不起来。

像人一样分两次查0 / 3

GraphRAG：建索引时就把点连起来#

以微软开源的 GraphRAG 为例，它让大模型逐块抽出实体和关系，再把名字和类型都相同的实体并成一个。

两条笔记是怎么连上的#

两条笔记是怎么连上的0 / 8

本地搜索：从张三这个点出发#

本地搜索先找出和问题相关的实体作入口，再取出相连的实体、关系和原文片段，交给大模型。

本地搜索怎么取材料0 / 5

全局搜索：回答整体的问题#

建完图，GraphRAG 会用 Leiden 算法把关系紧密的实体分成社区，再给每个社区写一份报告。全局搜索先从各份报告里分头提炼要点并打分，再汇总最重要的要点。

全局搜索怎么回答整体的问题（示意）0 / 5

图不是白来的#

默认流程里，每个文本块都要交给大模型抽取一遍；微软也提供 FastGraphRAG，改用 NLP 方法抽取，省下大模型调用。

GraphRAG 的代价0 / 4

该用哪一种#

看答案写在哪0 / 2

附：代码#

在图上沿着"上级"走几步，可以直接运行，把 start 改成"周八"试试：

JavaScript

// 抽取得到的关系：[起点, 关系, 终点, 出自第几条笔记]
const relations = [
  ["张三", "上级", "李四", 1],
  ["李四", "上级", "王五", 2],
  ["张三", "休假接手人", "赵六", 5],
  ["钱七", "导师", "张三", 7],
  ["赵六", "上级", "孙九", 8],
  ["周八", "上级", "吴十", 9],
  ["吴十", "上级", "王五", 10],
];

// 建图：同一个名字只有一个点
const graph = new Map();
for (const [from, rel, to, doc] of relations) {
  if (!graph.has(from)) graph.set(from, []);
  graph.get(from).push({ rel, to, doc });
}

// 从 start 出发，沿着"上级"走 hops 步
const start = "张三", hops = 2;
let who = start;
for (let i = 1; i <= hops; i++) {
  const up = (graph.get(who) || []).find((e) => e.rel === "上级");
  if (!up) { console.log(`${who} 在图里没有上级了`); break; }
  console.log(`第 ${i} 步：${who} → ${up.to}（依据第 ${up.doc} 条笔记）`);
  who = up.to;
}

实验代码：在 Node 里用 transformers.js 算相似度

JavaScript

import { pipeline } from "@huggingface/transformers";

const docs = [
  "张三是后端组的工程师，日常工作向李四汇报。",
  "李四是后端组负责人，他的直属上级是技术总监王五。",
  "张三本周完成了支付接口的重构，下周开始做对账服务。",
  "张三在周三的故障复盘会上讲了数据库连接池耗尽的问题。",
  "张三申请了下个月的年假，期间工作由赵六临时接手。",
  "张三和前端组的周八一起排查了登录超时的问题。",
  "新人钱七入职后端组，导师是张三。",
  "赵六的直属上级是孙九，孙九负责测试组。",
  "周八是前端组的工程师，向吴十汇报。",
  "前端组负责人吴十的上级同样是王五。",
  "公司规定：请假三天以上需要上级领导审批。",
  "报销流程：先由直属领导签字，再交财务审核。",
  "后端组每周一上午开周会，由李四主持。",
  "王五、孙九和人事负责人郑一组成了公司的管理委员会。",
];
// BGE 中文模型给短问题检索段落时，问题前面加这句指令
const prefix = "为这个句子生成表示以用于检索相关文章：";

const embed = await pipeline("feature-extraction", "Xenova/bge-small-zh-v1.5", { dtype: "q8" });
const vec = async (t) => Array.from((await embed(t, { pooling: "cls", normalize: true })).data);

const docVecs = [];
for (const d of docs) docVecs.push(await vec(d));

for (const q of ["张三的上上级领导是谁？", "张三的上级的上级是谁？", "李四的上级是谁？"]) {
  const qv = await vec(prefix + q);
  // 向量已经归一化，点积就是余弦相似度
  const ranked = docVecs
    .map((v, i) => ({ i, s: v.reduce((sum, x, j) => sum + x * qv[j], 0) }))
    .sort((a, b) => b.s - a.s);
  console.log(q);
  ranked.forEach(({ i, s }, r) => console.log(r + 1, s.toFixed(3), docs[i]));
}

知识库 RAG GraphRAG 向量检索

实测：要找的那条排第 7#

14 条笔记的相似度由中文向量模型 bge-small-zh-v1.5 实际算出，实验代码附在文末。

向量检索交给大模型的是哪几条0 / 5

全局搜索：回答整体的问题#

全局搜索怎么回答整体的问题（示意）0 / 5

附：代码#

在图上沿着"上级"走几步，可以直接运行，把 start 改成"周八"试试：

JavaScript

// 抽取得到的关系：[起点, 关系, 终点, 出自第几条笔记]
const relations = [
  ["张三", "上级", "李四", 1],
  ["李四", "上级", "王五", 2],
  ["张三", "休假接手人", "赵六", 5],
  ["钱七", "导师", "张三", 7],
  ["赵六", "上级", "孙九", 8],
  ["周八", "上级", "吴十", 9],
  ["吴十", "上级", "王五", 10],
];

// 建图：同一个名字只有一个点
const graph = new Map();
for (const [from, rel, to, doc] of relations) {
  if (!graph.has(from)) graph.set(from, []);
  graph.get(from).push({ rel, to, doc });
}

// 从 start 出发，沿着"上级"走 hops 步
const start = "张三", hops = 2;
let who = start;
for (let i = 1; i <= hops; i++) {
  const up = (graph.get(who) || []).find((e) => e.rel === "上级");
  if (!up) { console.log(`${who} 在图里没有上级了`); break; }
  console.log(`第 ${i} 步：${who} → ${up.to}（依据第 ${up.doc} 条笔记）`);
  who = up.to;
}

实验代码：在 Node 里用 transformers.js 算相似度

JavaScript

import { pipeline } from "@huggingface/transformers";

const docs = [
  "张三是后端组的工程师，日常工作向李四汇报。",
  "李四是后端组负责人，他的直属上级是技术总监王五。",
  "张三本周完成了支付接口的重构，下周开始做对账服务。",
  "张三在周三的故障复盘会上讲了数据库连接池耗尽的问题。",
  "张三申请了下个月的年假，期间工作由赵六临时接手。",
  "张三和前端组的周八一起排查了登录超时的问题。",
  "新人钱七入职后端组，导师是张三。",
  "赵六的直属上级是孙九，孙九负责测试组。",
  "周八是前端组的工程师，向吴十汇报。",
  "前端组负责人吴十的上级同样是王五。",
  "公司规定：请假三天以上需要上级领导审批。",
  "报销流程：先由直属领导签字，再交财务审核。",
  "后端组每周一上午开周会，由李四主持。",
  "王五、孙九和人事负责人郑一组成了公司的管理委员会。",
];
// BGE 中文模型给短问题检索段落时，问题前面加这句指令
const prefix = "为这个句子生成表示以用于检索相关文章：";

const embed = await pipeline("feature-extraction", "Xenova/bge-small-zh-v1.5", { dtype: "q8" });
const vec = async (t) => Array.from((await embed(t, { pooling: "cls", normalize: true })).data);

const docVecs = [];
for (const d of docs) docVecs.push(await vec(d));

for (const q of ["张三的上上级领导是谁？", "张三的上级的上级是谁？", "李四的上级是谁？"]) {
  const qv = await vec(prefix + q);
  // 向量已经归一化，点积就是余弦相似度
  const ranked = docVecs
    .map((v, i) => ({ i, s: v.reduce((sum, x, j) => sum + x * qv[j], 0) }))
    .sort((a, b) => b.s - a.s);
  console.log(q);
  ranked.forEach(({ i, s }, r) => console.log(r + 1, s.toFixed(3), docs[i]));
}