8 月 10 号OpenAI 把 GPT-5.6 Luna 向免费用户开放了默认模型换成 Luna文本聊天无限量朋友圈又是一轮刷屏。但让我想写点东西的是同一周技术圈里另一条线「图记忆取代向量检索」的讨论明显升温了。你大概也刷到了。GraphRAG、腾讯的 memory 系统、Codebase Memory MCP被放进同一个叙事知识图谱要接管向量库的地盘了。顺着时间线翻一遍从 2024 年微软开源 GraphRAG到 2025 年 LazyGraphRAG 把索引成本打下来再到今年各家的 Agent 记忆方案这个方向一直在往前推。我自己的感受是向量检索还没死但它确实撞上了天花板而且是架构层面的。这篇想把三条路讲清楚Vector RAG、GraphRAG、Vectorless RAG各自解决什么问题以及你手上的项目到底该选哪条。这周的讨论三个最有画面感的点先看钱。微软 LazyGraphRAG 官方博客给出的数字数据索引成本等于纯向量 RAG是完整 GraphRAG 的 0.1%千分之一。同一份 5GB 法律数据2024 年初跑一次完整 GraphRAG 索引要烧掉一大笔钱2025 年中同样的事只花零头。成本悬崖是 GraphRAG 从论文玩具走向生产的关键转折。再看热度。DeusData 的 Codebase Memory MCP把代码库索引成持久知识图谱宣称平均仓库毫秒级索引、亚毫秒查询、99% 更少 token2026 年内 GitHub 冲到 3.8 万 star。配套论文在 31 个真实仓库上评测回答质量 83%token 消耗少 10 倍。还有腾讯。混元 Hy-Memory 面向长期协作 Agent官方口径是记忆数量减少 70% 以上、单条记忆信息密度提升 45% 以上新记忆通过指针指向旧记忆形成链式演化腾讯云 TencentDB Agent Memory 把对话、文档、代码整理成四类资产其中 Code-Graph 存的是代码的调用关系和影响路径。两条线都在往记忆里加结构。各家图数据库厂商的博客也在推同一叙事。热闹归热闹这三条路到底差在哪才是正经问题。向量 RAG 到底撞上了什么墙先过一遍机制。向量 RAG 把文档切成 chunkembedding 模型转成高维向量建 ANN 索引查询时找最相似的几个 chunk 拼进 prompt。它对语义相似非常强「如何重置密码」能匹配到「修改登录凭证的步骤」一个词都不重叠。单跳事实问答谁、什么、何时、何地它往往够用。但有三类问题它结构上答不好。跨文档多跳推理。答案要从供应商档案、审计报告、合同三份文档各取一块拼起来。向量检索能把三块都召回来但它没有机制求集合的交集拼不到一起。全局性问题。「这个语料库主要讲了什么」这是 query-focused summarization是总结任务。top-k 个 chunk 给不了全局视角。关系链。「哪些受港口罢工影响的供应商本季合同也快到期了」需要沿着供应商到合同到日期的链走。向量相似度只能匹配看起来像的文档走不了链。这三类问题调 chunk 大小没用换 embedding 模型没用调 top-k 也没用是架构缺陷。权威的系统评测 arXiv 2502.11371 直接下了结论RAG 和 GraphRAG 是互补关系。MultiHop-RAG 上 13.6% 的查询只有 GraphRAG 答对11.6% 只有 RAG 答对两边各有各的独门题。GraphRAG 怎么补上结构GraphRAG 的思路是给检索加一层结构。先用 LLM 逐块读文档抽实体和关系「Acme Corp 与 Globex 签了三年云基础设施合同」抽出 Acme Corp、Globex、云基础设施三个实体加 signed_contract 这条关系。然后实体消歧把 IBM 和国际商业机器并成一个节点再建图、社区检测把紧密相连的实体分组给每个社区生成摘要。检索时两条路。local search 从问题实体出发沿边收集相关上下文返回的是子图里面的实体、关系、源文档都在global search 走社区摘要先让每个社区各自出部分回答再汇总成最终答案。关键一点GraphRAG 的图没有替代向量是在向量之上叠加结构。实体和关系变成一等公民返回的东西从 top-k chunk 变成带关系链的子图。回答「A 和 B 怎么关联」这类问题天然占优。第三条路Vectorless RAG还有更激进的做法。Vectorless RAG干脆不建向量库不 chunk不 embedding。代表实现是微软的 PageIndex。它把文档保留自然结构用 LLM 分析生成层级树章节到小节到段落每个节点带标题、摘要、父子关系和页码范围本质是一棵智能目录树。查询来了把整棵树的结构丢给 LLM让它推理答案在哪几个节点再取节点全文去生成。检索过程可解释能直接指出答案来自哪一节。它擅长单份强结构文档财报、法律合同、技术手册、论文。跟 GraphRAG 的区别一句话能说清GraphRAG 存的是事物之间的关系Vectorless 存的是文档本身的结构。前者回答 A 和 B 怎么关联后者回答答案在这份文档的哪一节。从孤例到拐点把时间线拉出来趋势很清楚。2024 年 7 月微软开源 GraphRAG用社区摘要解决全局问题代价是索引贵得离谱。2024 年 12 月GraphRAG 1.0补上增量更新。2025 年LazyGraphRAG 把索引成本打到跟纯向量一样LightRAG 这类轻量实现也冒出来token 消耗号称少 99%。到 2026 年图加向量的混合检索成了默认姿势代码图谱和 Agent 记忆成了新方向。一条路走三年从纯向量到向量加图再到完全不建向量。这不只是某个厂商的营销叙事。但 GraphRAG 也没资格躺赢写到这里必须泼盆冷水。反思派的证据一样不少。一次性索引成本。即使降到 0.1%构建时间仍比纯向量慢 40 到 57 倍一次检索的 token 消耗可以从 100 涨到 61 万。小语料完全没必要建图十万 token 以内直接全塞 context window最简单也最可靠。动态数据是它的短板。代码库、新闻流这种高频变化的数据图更新会引发级联新实体要合并旧关系要失效社区摘要要重算。微软自己到 1.0 才补上增量更新。图构建质量是天花板。HotpotQA 上只有 65.8% 的答案实体出现在建出来的图里三分之一左右的查询会因为图里缺实体直接碰壁。实体消歧做不好图比没有图更糟。还有一个幻觉隐患。社区摘要式的全局检索在「信息不足」的查询上准确率只有 19.27纯向量 RAG 是 96.01。模型会强行作答编一个看起来合理的答案。至于流传最广的「GraphRAG 精度提升最高 35%」原始出处其实是 AWS 博客上 Lettria 的厂商演示独立学术评测里常见提升只有 2 到 7 个百分点。这数字以后引用要小心。反思派给了一个很实用的框架图只处理那 15% 到 20% 向量检索结构性答不了的问题其余走向量。先做好向量 RAG再谈图。开发者到底怎么选我的选型口诀四步走。先看语料大小十万 token 以内直接全塞 context window。再看查询类型单跳事实问答走向量 RAG跨文档多跳推理、实体关系密集上 GraphRAG预算敏感用 LazyGraphRAG 或 LightRAG。再看文档结构单份强结构文档的深度问答用 Vectorless RAG。最后是代码库直接 grep。代码库这条有一个现成的反直觉案例。Claude Code 早期版本用过 RAG 加本地向量库Boris Cherny 亲口说很快发现 agentic search 全面胜出更简单还没有安全、隐私、staleness 那些问题。Cat Wu 说得更直白向量 embedding 很难维护要持续重索引Claude 特别擅长 agentic search同样的精度部署简单得多。为什么 1985 年的命令行工具能赢stale索引过期。Agent 边写代码边查代码文件每秒都在变向量索引查的是上一次索引时的旧代码grep 查的是当前磁盘。加上零基础设施、每一步都可审计RAG 的黑盒 chunk 没法比。补一句平衡话。别把上面理解成 grep 永远赢这结论有边界。代码库场景下 grep 赢面大语义搜索在「文件之间没有共享关键词」的任务上依然更强Cursor 的生产数据里语义检索能带来 24% 的相对准确率提升。而且 Simon Willison 提醒过ripgrep 检索也是 Retrieval-Augmented GenerationClaude Code 没有放弃检索是换了更合适的检索工具。三条路回答三个问题回到开头的讨论。图记忆取代向量检索这个说法一半对一半不对。图没有取代向量它们回答不同的问题。单跳事实走向量多跳关系走图强结构文档让模型自己翻目录代码库让工具直接搜文件。2026 年的正确姿势是混合是路由器是根据查询类型选路。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】