知识图谱如何帮助缓解大模型的幻觉问题？

1. 结构化事实锚定

知识图谱通过"实体-关系-属性"的图结构，将离散知识组织为语义网络。与传统 RAG 的向量相似度检索不同，知识图谱提供确定性的结构约束——每个事实是一个节点，每个连接是一条边，每次查询返回的子图都可被验证。GraphRAG 将幻觉率进一步降低 62%，实体幻觉从 8.7% 降至 1.2%。

2. 多跳推理能力

知识图谱原生支持多跳推理，能够回答需要链式推理的复杂问题。例如"2019 年收购 A 公司的企业，其母公司在 2021 年的主要投资对象是谁"这类问题，传统 RAG 需检索多段离散文本并手动拼接推理链，而 GraphRAG 可通过实体关系路径直接定位答案。在 HotpotQA 等多跳问答数据集上，GraphRAG 的准确率比传统 RAG 高 15% 至 20%。

3. 事实一致性与可解释性双提升

牛津大学 2025 年提出的 MedGraphRAG 在 11 个医学数据集上达成 SOTA，事实一致性提升 8%。GraphRAG 的答案可追溯至图中的推理路径，便于来源归因与冲突消解。一项针对本体论支撑的知识图谱在临床问答中的研究显示，幻觉率低至 1.7%。

4. GraphRAG 落地实践

Microsoft GraphRAG 采用 Leiden 社区检测算法生成全局-社区-局部多层级摘要，实现"全局概览+局部细节"的联合检索。LightRAG 以轻量、快速为核心目标，将图结构信号嵌入文本索引与重排环节。企业级部署可采用三阶段路线图：第一阶段构建基础图谱并行运行向量 RAG，幻觉率 15% 至 20%；第二阶段切换至 GraphRAG 融合检索，幻觉率降至 5% 至 8%；第三阶段引入图算法增强校验，幻觉率可达 2% 至 3%。