传统RAG的核心痛点传统RAG（检索增强生成）的技术流程是将文档切分为文本片段，通过Embedding转化为向量后存入向量数据库，再基于用户问题的向量匹配召回相关片段生成回答。该模式存在天然的技术矛盾：分块粒度两难困境：分块过大时，全局统计类问题与局部片段匹配度低，容易遗漏关键细节；分块过小时，会打断文本语义关联，无法支撑需要上下文关联的问题。典型失效场景：以统计文档中“西瓜”出现次数的问题为例，传统RAG无法精准召回所有分散的相关片段，导致检索错误或信息缺失。GraphRAG核心架构与全流程拆解GraphRAG是基于知识图谱解决传统RAG痛点的技术方案，全流程深度融合大语言模型能力，核心步骤如下：流程阶段核心