01. 引言：RAG的“最后一公里”困局

如果你正在构建RAG系统，一定遇到过这样的场景：问“苹果公司CEO是谁”秒回，问“苹果公司CEO在2023年WWDC上发布了什么产品”就开始胡言乱语。

这不是模型不行，是检索拖了后腿。

传统向量RAG处理单跳事实查询表现优异，但面对多跳推理就力不从心。GraphRAG通过构建知识图谱捕捉实体间关系来弥补这一短板，然而它带来了新的问题——对所有查询不加区分地走图检索，简单查询被过度复杂化，计算成本飙升。

这个问题在2026年得到了系统性解决。北京大学PKU-DAIR实验室的论文《QA-GraphRAG: Query-Adaptive Plug-and-Play Retrieval Integration for Graph-based Retrieval-Augmented Generation》被VLDB 2026录用。第52届VLDB会议将于2026年8月31日至9月4日在美国波士顿举办。

QA-GraphRAG的核心思想并不复杂：让系统自己判断查询类型，动态选择检索策略——简单查询走向量检索，复杂查询走图检索。

本文将从架构设计、部署方案、竞品对比、生态工具、安全风险五个维度，深度拆解这一框架。

作者：Zeang Sheng, Ruihong Sun, Jiahao Xu, Hanmei Luo, Peng Chen,