| GraphRAG |
圖譜檢索增強生成 |
以知識圖譜實體遍歷取代向量檢索的 RAG 變體，token 用量比 Basic RAG 少 90% |
| RAG (Retrieval-Augmented Generation) |
檢索增強生成 |
「向量檢索 + LLM」的基本架構，檢索相似 chunk 補充 LLM 上下文 |
| Knowledge Graph (KG) |
知識圖譜 |
以實體與關係構成的結構化知識，回傳「答案」而非段落 |
| Vector Search / Vector Embeddings |
向量檢索／向量嵌入 |
Basic RAG 的檢索方式，找語意相似片段，無法遍歷實體關係 |
| Entity Traversal |
實體遍歷 |
GraphRAG 在圖上沿實體與關係跳轉以取得相連知識 |
| BERTScore |
BERTScore（語意相似度評分） |
評估生成答案品質的指標，GraphRAG 達 0.9726 |
| LLM-as-a-Judge |
以 LLM 作為評審 |
用獨立 LLM（Groq Llama-3.3-70B）判定答案是否通過，達 100% pass rate |
| Top-K Chunks |
Top-K 片段檢索 |
Basic RAG 取相似度最高的 K 個文本片段送入 LLM |
| Chunk |
文本片段 |
文件切分後的最小檢索單位，依 chunk_index 排序 |
| GSQL Traversal |
GSQL 圖查詢遍歷 |
TigerGraph 的圖查詢語言，執行 getDocumentChunks、entityHopChunks 等遍歷 |
| Entity / Relation Store |
實體／關係儲存 |
圖層中儲存實體與其關聯（如 MENTIONS、RELATED_TO） |
| Entity-Hop |
實體跳轉 |
Chunk → MENTIONS → Entity → RELATED_TO → Entity → Chunks 的多跳檢索路徑 |
| Token Budget Controller |
Token 預算控制器 |
TERAG 技術，對每個 query 強制 token 上限 |
| PPR (Personalized PageRank) Confidence Retrieval |
個人化 PageRank 信心檢索 |
CatRAG 技術，消融實驗中提升 +2.9% F1 |
| Spreading Activation |
擴散激活檢索 |
SA-RAG 技術，沿圖節點擴散以提升檢索，+1.8% F1 |
| Flow-Pruned Paths |
流量剪枝路徑 |
PathRAG 技術，改善跨實體 bridge question 的準確度 |
| Hybrid Router |
混合路由器 |
PolyG / Adaptive Router，依查詢選擇檢索策略，+2.1% F1 |
| Incremental Graph Updates |
增量圖更新 |
TG-RAG 技術，re-ingestion 速度提升 92% |
| F1 / EM (Exact Match) |
F1 分數／完全匹配 |
評估層使用的答案準確度指標 |
| Ingest / Re-ingestion |
資料攝取／重新攝取 |
圖索引在攝取時一次建立，實體描述預先索引，查詢時成本攤提 |