你有没有遇到过这种情况：公司丢给你 10 万份内部事件报告，问你 “过去三年里，攻击模式呈现出哪些新趋势？” 你把这堆文档丢给传统 RAG 系统，它会按相似度捞出 Top-K 个最相关的文档块，让大模型基于这些片段作答。听起来很合理对吧？

问题来了：大模型拿到的只是 10 万份报告里"和’攻击趋势’长得最像"的几十个片段。它 根本没有通读过完整语料 ，怎么回答得出"新趋势"这种 全局性问题（Global Sensemaking） ？向量检索的本质是"局部相似"，而全局总结是"通盘理解"，这是两件本质不同的事。

类似的全局性问题还有很多：

• “这家企业涉及的核心人物和主要事件有哪些？”
• “这部小说里的人物关系网络是什么样子？”
• “这套开源代码的架构主题分布如何？”

GraphRAG（Graph-based RAG）就是为这类问题而生的。它把 RAG 的检索单元从"文本片段"升级为 “知识图谱” ，通过图社区摘要、Map-Reduce 等机制让 LLM 真正具备 全局感知能力 。