
提到 RAG,多数人脑子里立刻浮现一条固定流水线:切文档、算 embedding、塞进向量库、按相似度取 top-k。但 RAG 的本质只是"回答问题前先取上下文",向量检索从来不是唯一解。如果换一种思路——给模型一张实体关系图,让它自己顺着边去找答案,会怎样?
这就是 Agentic GraphRAG:模型不再做一次相似度检索就交卷,而是把图的查询能力包装成工具,按需多次调用,用上一次的结果决定下一步查什么。下面用 Spring AI 搭一个轻量实现,不引入 Neo4j,纯内存图,先把概念讲透。
无论向量还是图,RAG 都逃不开三件事:注入(把信息变成可检索形态)、检索(取回相关内容)、给上下文(把结果交给模型)。GraphRAG 只是把这三步的实现换了:
假设有一段桌游介绍,里面藏着两类关系:DESIGNED_BY(谁设计的)和 PUBLISHED_BY(谁发行的)。注意 Joseph Z. Chen 同时关联两款游戏——这种共享节点是图最有价值的地方,它让"看似无关的两个东西其实有关系"变得可查询。
先用几个简单的 Java 类型描述图:
public record Edge(String from, Relation relation, String to) {}
public enum Relation { DESIGNED_BY, PUBLISHED_BY }
public record KnowledgeGraph(List<Edge> edges) {
public void addAll(List<Edge> es) { this.edges.addAll(es); }
}抽取交给一个专门的 ChatClient。这里有个细节值得注意:不要用自动注入的 ChatClient.Builder——它可能已经挂了 MessageChatMemoryAdvisor 之类的 advisor,而抽取关系不需要这些历史上下文。从 ChatModel 现场 new 一个 builder,得到干净客户端:
this.chatClient = ChatClient.builder(chatModel)
.defaultSystem("""
Extract DESIGNED_BY and PUBLISHED_BY relationships from the given text.
Only return facts supported by the text.
""")
.build();
public void addToKnowledgeGraph(String text) {
var extracted = chatClient.prompt().user(u -> u.text("{text}").param("text", text))
.call().entity(KnowledgeGraph.class); // 结构化输出直接映射成对象
knowledgeGraph.addAll(extracted.edges());
}用 @Bean @Order(-1000) 的 ApplicationRunner 在启动时灌数据,-1000 保证图在对话循环启动前就建好。当然,抽取不可能百分百准确,生产环境还得加校验和去重,这里先保持简单。
内存图是 List,用 Java Stream 查边即可;换成 Neo4j 才需要 Cypher。三个查询方法覆盖常见问法:查某游戏的设计者、查发行方、查某设计师做过哪些游戏。
关键设计:返回 List 而不是单个 String——一款游戏可能有多个设计师(比如 Fantastic Factories 就有两位)。反向查询把过滤条件从 from 换成 to,就实现了"顺边反向找"。
用户提问时,怎么知道该调哪个方法、传什么参数?交给模型判断——这正是 tool calling 的活。加注解即可:
@Tool(name = "find-game-designers", description = "Find the designers of a board game.")
public List<String> findGameDesigners(
@ToolParam(description = "The title of the game") String gameTitle) { ... }再用一个 ChatClientBuilderCustomizer 把它们注册给对话客户端:
@Bean
ChatClientBuilderCustomizer addGraphSearchTools(KnowledgeGraphService svc) {
return builder -> builder.defaultTools(svc);
}有个坑必须提醒:像 gpt-5-mini 这类模型本来就知道"Ticket to Ride 是谁设计的",它会直接凭记忆回答,跳过你的图。加一条系统指令强制它只用工具返回的信息作答,找不到就说不知道。不过系统提示只是影响行为,不保证百分百生效——日志里留痕,方便验证工具到底有没有被调用。
简单的单跳问题看不出 GraphRAG 的价值。试试这个:
> Who designed Fantastic Factories and are there other games by the same designer?
日志里会出现一串调用:先查 Fantastic Factories 的设计者 → 得到 Joseph Z. Chen 和 Justin Faulkner → 再分别查这两人还设计过什么。最终答案里"Joseph 还设计过 Honeypot"这条,就是沿关系链走出来的——模型用上一次的结果决定下一次检索什么。这才是 Agentic 的含义。
三个查询方法绑死了桌游领域和预设问法。哪天加个 ILLUSTRATED_BY、EXPANSION_OF 关系,又得加方法。更好的做法是一个通用的 findRelationships(from, relation, to):
from 和 to 至少一个,支持正向、反向、双向三种查法Relation 枚举,Spring AI 生成的 tool schema 会带上枚举允许值,模型自己知道该传什么List,零条、一条、多条都能装,还保留完整关系信息给模型当上下文GraphRAG 不等于"向量库 + Neo4j + 社区发现"的重型组合。它的核心只是:把关系当作可检索的上下文,把查询封成工具让模型按需调用。当你的数据天然是关系型的——知识图谱、组织架构、依赖关系——顺边查询往往比相似度检索更准,也更容易解释答案是怎么来的。先用一个内存图跑通概念,再决定要不要上真正的图数据库。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。