面试官在什么场景下你会选择使用图数据库来增强传统的向量检索‍♂️我图数据库我觉得向量检索已经够用了吧大部分场景都能覆盖图数据库主要是搞社交网络那种和 RAG 关系不大。面试官向量检索只能做单跳检索找不到多个实体之间的关联关系。用户问「A 公司的投资方和 B 公司有什么交集」你用向量检索试试看‍♂️我呃那我可能会多检索几次把关键词拆开分别搜应该也能拼出答案吧面试官多检索几次你连实体之间的边在哪都不知道怎么跳图数据库就是专门解决多跳关系推理的向量检索根本做不到。你对这两种技术的互补关系完全没有理解。这个问题考察的是你对向量检索能力边界的认知以及图数据库在什么场景下能补上这个短板。下面我来详细分析。 简要回答我的判断是当业务问题涉及多个实体之间的关联推理的时候就需要考虑引入图数据库来增强。向量检索有一个根本的局限它只能做单跳检索找和问题直接相关的文档没办法沿着实体之间的关系链做推理。比如你问公司 A 的投资方和公司 B 有什么交集单纯向量检索就很难处理了因为答案不在某一段文档里而是藏在多个节点之间的关系上。这时候图数据库就能发挥作用沿着关系边一跳一跳地把关联信息收集回来。我接触过的典型场景有企业关系分析、医疗知识图谱、代码依赖关系查询、供应链溯源这些。 详细解析向量检索能做什么做不到什么先从向量检索的工作原理说起。向量检索做的事情是把用户的问题转成一个向量然后在知识库里找「向量最接近」的文档片段把它们拼到 prompt 里给 LLM 用。这套逻辑在很多场景下效果很好比如「什么是 Transformer」「Python 的 GIL 是什么」这类问题答案往往就在某一段文档里向量检索一跳就找到了。但是向量检索有一个根本限制它是「单跳」的也就是每次只能找和问题直接相关的内容没办法沿着实体之间的关系链往下追。你可能会想那我多检索几次不就行了遗憾的是不行。原因很简单多检索几次的前提是你知道「下一步该搜什么」但向量检索根本没有「关系」这个概念它不知道实体 A 和实体 B 之间有一条边更不知道该沿着哪条边继续走。就像你在一个陌生城市里问路别人只告诉你「附近有家店」但不会告诉你「从这家店出发往东走 200 米还有一家」你没法靠反复问「附近有什么」来拼出一条完整的路线。来看几个向量检索真的答不上来的问题。「小米的主要竞争对手的 CEO 是谁」这个问题需要先找到「小米的竞争对手是谁」再拿着这些名字去找「谁是他们的 CEO」两步之间有实体跳转向量检索每次只能走一步第二跳就断了。「治 A 疾病的药和治 B 疾病的药有没有药物相互作用」答案藏在「药物 - 作用靶点 - 相互作用」这条多节点路径上没有一篇文档会把这个结论直接写出来。「这个函数直接和间接依赖的所有第三方库有哪些安全漏洞」需要沿代码依赖链一层层展开,每一跳都是新的查询。这些问题的共同特征是答案不在某一个文档里而是藏在多个节点之间的「关系」上要沿着边一跳一跳地走才能拼出完整答案。理解了这个局限图数据库存在的意义就很好懂了。图数据库是干什么的为什么能解决这个问题向量检索做不到多跳遍历这个能力缺口恰恰是图数据库的强项。图数据库专门用来存「实体和关系」它把世界表示成一张网每个节点是一个实体比如公司、人、疾病、药物每条边是一种关系比如「投资」「竞争」「治疗」「副作用」。有了这张网之后就可以做「图遍历」从一个节点出发沿着关系边一跳一跳地走把路径上所有相关节点的信息都收集回来。这正好补了向量检索的短板。很多人以为图数据库是向量检索的「升级版」上了图就可以替代向量检索了其实不是这样。图数据库也有自己的局限传统的图查询语言比如 Cypher擅长的是精确关系查询「从 A 出发沿着这条边走到 B」对「语义相似」这种模糊匹配不擅长现代图数据库如 Neo4j 虽然也在加向量索引能力但那本质上是把向量检索嫁接进图里不是图遍历本身在做。比如用户问「手机充电慢怎么办」这种问题没有明确的实体关系可以遍历图数据库帮不上忙但向量检索可以从知识库里找到语义相近的故障排查文档。所以实际系统里这两种技术是互补的不是替代关系。向量检索 图数据库的组合用法既然两者是互补的那具体怎么搭配使用呢两者组合起来的工作流是这样的向量检索先作为「入口」用户问「小米的竞争对手 CEO 是谁」先用向量检索找到和「小米」相关的文档片段从中识别出关键实体定位到「小米」这个节点。接下来图数据库接力做「关系遍历」拿到入口实体之后在图里沿着关系边一路走「小米」- 竞争关系 -「OPPO、vivo、荣耀」- CEO 关系 - 对应人名把沿途经过的节点信息都收集回来。最终把向量检索结果和图遍历结果合并一起塞给 LLM 生成回答。打个比方向量检索像是「导航定位」帮你找到出发点在哪图遍历像是「沿着路线一站一站走」帮你把沿途经过的所有站点信息都收集起来。前者解决「在哪」的问题后者解决「能到哪」的问题合在一起才能给出完整答案。这样LLM 拿到的上下文既有语义相关的文档片段也有沿关系链追出来的关联信息两者互补回答就完整了。哪些场景真的需要图数据库理解了两者的组合方式接下来的问题就很实际了什么场景下值得花精力引入图数据库不是所有 RAG 系统都需要上图数据库它主要在以下几类场景有价值。企业关系分析是最典型的场景。金融、投资领域的知识库里企业之间的股权关系、人员之间的任职关系错综复杂。如果只用纯向量检索问「X 基金投资的公司里有哪些跟 Y 集团存在竞争」基本答不上来因为这个关系链不会在某篇文档里直接写出来。但在图里这一趟遍历几秒钟就出来了。医疗知识图谱也是图数据库的强项。疾病、症状、药物、基因之间有大量关联如果只用向量检索「某个基因突变会导致哪些疾病这些疾病又有哪些共同的治疗方案」这种沿着多层关系链追溯的问题根本无从下手因为没有一篇文档会把这条完整的链路写在一起。图遍历反而很自然。代码知识库同样适合。函数调用关系、模块依赖关系可以建成图「这个接口被哪些上游服务直接和间接调用」在图里走一遍就出来了。靠文本检索的话你得一个个文件翻几乎不可能做到。供应链溯源也类似原材料 - 供应商 - 成品 - 分销商这种层级关系天然适合图结构存储和查询追溯某批次产品的所有上下游环节图遍历是最自然的解法。什么时候不值得上图数据库看了上面的场景你可能会觉得图数据库这么好用是不是所有 RAG 都该上一个别急图数据库的代价不小你需要用 LLM 做「实体抽取」和「关系抽取」来把非结构化文档转成图结构这个过程成本高、容易出错而且后续维护图结构比维护向量库复杂得多。如果用户的问题大多数是「找某个概念的解释」「某个功能怎么用」向量检索加上 Rerank 已经够用了强行上图数据库是过度设计。判断要不要用图数据库的简单原则问题里是否同时出现多个具体实体名并且在问这些实体之间「有什么关系」或「通过关系能找到什么」。如果是就值得考虑图增强如果问题主要是找某段描述性的内容向量检索就够了。 面试总结回到面试官追问的「多检索几次能不能拼出答案」答案是不能。向量检索是「单跳」的每次只能找和问题直接相关的内容它没有实体和关系的概念根本不知道该往哪个方向跳。图数据库的核心价值就在于它能沿着关系边做多跳遍历把向量检索够不到的关联信息收集回来。两者的组合方式是向量检索做入口定位实体图数据库接力做关系遍历最终合并上下文给 LLM。选择图数据库的判断标准很简单问题里是否涉及多个实体之间的关联推理如果涉及就值得考虑如果只是查某段描述性内容向量检索就够了。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】