vector-graph-rag：Zilliz 开源纯向量 Graph RAG，两阶段 Jev 刷新多跳问答召回

多跳问答向来是知识库检索里难啃的硬骨头：答案散在几份资料里，中间还隔着问题没提到的线索。Graph RAG 用知识图谱串起关系，但沿图找出的候选交给大模型逐一筛选，查询就慢下来。Zilliz 开源的 vector-graph-rag（MIT，Python，截至 2026-11-07 有 271 星）给出一个「反直觉」的架构：不用图数据库——实体、关系与原文全部存进 Milvus 向量，检索靠向量搜索加 ID 关联；筛选环节由两阶段 Jev 接手：第一阶段筛关系，第二阶段排原文。结果是在 MuSiQue 与 2Wiki 两个多跳数据集（各 1,000 题）上，两阶段方案平均 Recall@5 达 86.61%，超过被对比的大模型重排方案，且调用耗时更短——「斩杀线」画在了效果与时延的帕累托前沿上。

核心功能

• 免图数据库：点、边、原文同库存储于 Milvus（默认 Milvus Lite 单文件即开），无 Neo4j 依赖。
• 两阶段 Jev 检索：先按问题向量召回实体关系、扩子图，Jev 筛出有用关系；再取回原文合并直检命中、去重，Jev 阅读并排序证据段落。
• 可选单遍生成式重排：追求低延迟时可用单遍模式，两种模式同一接口。
• 知识密集域友好：面向法律、金融、医疗、文献等事实密集语料优化。
• 零配置起步：pip 装完即用，基准复现代码随仓库发布。

典型使用场景

• 企业知识库多跳问答：跨文档关系推理（用药→副作用、合同→违约条款）不必部署图数据库。
• RAG 检索层升级：现有 Milvus 用户加一层关系索引即可试验 Graph RAG 效果。
• 检索研究基线：Jev 打分与基准脚本全开源，复现门槛低。

快速上手

pip install vector-graph-rag

默认连 Milvus Lite 单文件，按 README 建索引、提问；基准评测在仓库 evaluation/ 目录可复现。

小结

vector-graph-rag 适合已有 Milvus 基础、想给知识库加多跳推理能力的团队；要超大规模图谱遍历或现成企业级 Graph RAG 套件的，它还是个精检索研究项目（★271，2026-02 建库）。要点与边界：MIT、Python、依赖 Milvus 生态（Jev 为其决策模型服务）；「斩杀线」结论以官方 MuSiQue/2Wiki 基准为准，自家语料需自行复测。它与本站写过的 LEANN（免存向量省存储）、SAG-Wiki（零 LLM 索引）同属「本地 RAG 工程化」一族——三家各砍掉一块传统 RAG 的固定成本：图数据库、向量存储、embedding 调用。