基于 LangGraph 构建的 Agentic RAG 系统，通过引入评分器（graders）、查询重写器（rephrasers）和回退循环（fallback loops）来迭代检索与验证答案，在多跳问题上持续优于标准向量 RAG。

最新的 CFR 基准测试显示：在企业场景中，知识图谱 RAG 相比纯向量检索，准确率提升 70%。

根本原因是结构性的：向量相似度搜索擅长回答「什么相关」，而图数据库擅长回答「谁对谁说了什么、何时说的」——这类关系 join 对会议历史、决策链路等企业知识至关重要。

换句话说，纯向量检索只能回答「找到相似的东西」，而知识图谱能回答「这件事与三月那个决策是怎么连起来的」。这正是「图 + Agentic RAG」转向当下的意义所在。

行业信号同样明确：TigerGraph 架构指南显示，要求具备 RAG 技能的招聘岗位近期增长四倍，混合「向量 + 图谱」检索正成为企业知识工程的主流方向。