待验证60% 置信权衡取舍精确时间
GraphRAG 先用 LLM 从代码中抽取实体和依赖关系构建知识图谱，检索时通过图遍历而非向量相似度定位答案，适合多跳推理场景但放弃了对非结构化文本的模糊语义匹配
2
来源数
60%
置信度
长期有效
时效性
2026/7/24
首次发现
来源
6个开源工具系统补齐Claude Code五大短板
bilibiliNixAI2026/7/8
相关事实
已验证GraphRAG架构通过知识图谱显式建模角色关系与事件因果链来弥补纯向量检索的局限82% 相似待验证GraphRAG通过构建知识图谱，将函数、类、模块作为节点，将调用关系、继承关系、依赖关系作为边来组织代码知识80% 相似待验证GraphRAG范式先用向量检索定位候选实体节点，再通过图遍历沿关系链条扩展上下文，形成语义召回加结构推理的两阶段管道78% 相似待验证在本体论作为模式层的 GraphRAG 流程中，本体论定义了图谱中允许存在的实体和关系类型，直接决定知识图谱质量与推理能力上限75% 相似待验证Crew Memory Graph 的查询路径中没有 LLM，使用确定性的基于模式的规划器将问题编译为图遍历。74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/607439API
curl https://kongchang.com/api/v1/knowledge/claims/607439MCP
get_claim(id=607439)