系列导读你现在看到的是《GraphRAG 实战：从零搭建知识图谱增强生成系统》的第5/10篇，当前这篇会重点解决：揭示 GraphRAG 检索的核心机制，帮助读者设计高效且准确的检索逻辑。上一篇回顾：第 4 篇《向量化与图存储双引擎：将图数据与向量索引融合》主要聚焦 教会读者如何让图数据库同时具备语义检索能力，为 GraphRAG 提供双模态支撑。 下一篇预告：第 6 篇《生成阶段优化：让 LLM 理解图结构上下文的 Prompt 工程》会继续展开 提供一套经过验证的 Prompt 策略，让 LLM 能有效利用图结构信息生成可靠答案。全系列安排GraphRAG 是什么？—— 从 RAG 到知识图谱增强生成的技术演进知识图谱基础：用 Neo4j 构建你的第一个图数据库实体抽取与关系构建：从非结构化文本到知识图谱的自动流水线向量化与图存储双引擎：将图数据与向量索引融合GraphRAG 检索器设计：图遍历、子图采样与上下文构建（本文）生成阶段优化：让 LLM 理解图结构上下文的 Prompt 工程端到端部署实战：用 FastAPI 搭建 GraphRAG 问答服务性能调优与排错：GraphRAG 系统的瓶颈分析与优化实战进阶玩法：动态图谱更新与增量学习GraphRAG 未来展望：多模态、大图与 Agent 集成导语：从存储到检索，打通 GraphRAG 的“最后一公里”在前一篇《向量化