从RAG到GraphRAG：货拉拉元数据检索应用实践
一句话概括
货拉拉元数据找数场景中，Naive RAG 准确率仅 55%、召回率 60%，切到 LightRAG 路线的 GraphRAG 后准确率提升至 78%、召回率 91%、TopK 命中率 90%、MRR 0.73。
实践内容
Naive RAG 的问题
- 准确率仅 55%、召回率 60%
- 在同义词、多实体、关系召回上拉胯
- 单字段切块 + 向量检索的局限性
GraphRAG 方案
实体类型：
- 表/字段
- 业务术语/缩写
- 同义词
Query 处理：
- LLM 抽取高/低级关键词
- 混合检索（向量 + BM25 + 重排）
- 图关联形成 Local/Global Context
效果对比
| 指标 | Naive RAG | GraphRAG |
|---|---|---|
| 准确率 | 55% | 78% |
| 召回率 | 60% | 91% |
| TopK 命中率 | - | 90% |
| MRR | - | 0.73 |
| 渗透率 | - | 30% |
| 数仓答疑省时 | - | 20% |
摘录
货拉拉元数据找数场景中，Naive RAG 单字段切块 + 向量检索准确率仅 55%、召回率 60%，在同义词、多实体、关系召回上拉胯。
2.0 切到 LightRAG 路线的 GraphRAG，把表/字段、业务术语/缩写、同义词三类实体建图，Query 经 LLM 抽高/低级关键词后混合检索（向量 + BM25 + 重排）+ 图关联形成 Local/Global Context；准确率提升至 78%、召回率 91%、TopK 命中率 90%、MRR 0.73。
涉及实体
涉及主题
我的评注
GraphRAG 在元数据检索场景的效果提升非常明显——准确率从 55% 到 78%，召回率从 60% 到 91%。关键是把实体关系建模为图结构，这样可以捕获同义词、多实体、关系等 Naive RAG 无法处理的场景。