傳統 RAG 依賴向量檢索，一旦對話跨越多主題或時間跨度，記憶裂縫難以避免。GraphRAG 透過 Neo4j 或 AWS Neptune 將實體、事件、情緒寫成有向圖，檢索時可根據語意距離與圖拓撲同時過濾資訊。本議程以客戶諮詢為例，演示如何用子圖檢索維持上下文一致性，並對比向量檢索在核心度量（關聯度、人稱一致、背景衝突）上的差異，提供選型與落地參考。

大綱

1. 傳統 RAG 弱點

• 長對話碎片化
• 高維空間距離扭曲

2. GraphRAG 設計要素

• 節點類型：人、事、時、地、情緒
• 邊類型與權重

3. 資料注入管線

• ETL → KG → Index

4. 子圖檢索

• 圖拓撲 + 向量混合查詢
• 新聞級／長篇對話示例

5. Demo：對比場景

• 向量檢索 vs. GraphRAG 返回內容

6. 維運與擴充

• 異動同步、版本控制

7. 選型建議與落地挑戰

聽眾收穫：

• 迅速理解傳統向量檢索的侷限與 GraphRAG 的核心優勢。
• 看到真實對話 Demo，直接比較兩種 RAG 的輸出差異。
• 學會圖資料增量同步與索引優化的關鍵技巧。
• 獲得選型與落地評估清單，幫助團隊判斷何時導入 GraphRAG。