夜雨聆风
传统RAG答不准跨文档问题?试试Graph RAG,效果颠覆想象
5月29日我们介绍了 Vanna AI——让AI直连数据库，10分钟跑起来，还讲了代码级权限管控。
“数据库查数据搞定了，但公司那么多文档——产品手册、SOP、合同、客服话术——能不能也让AI读懂，还能控制谁能问什么？“
今天就介绍一个完整的落地方案：FastGPT + Graph RAG + 集合权限管控。
三篇文章的关系
|
维度 |
第一篇：DB-GPT |
第二篇：Vanna AI |
今天第三篇：FastGPT |
|
解决什么问题 |
AI直连数据库查数据 |
轻量级AI直连数据库 |
AI读懂企业文档并问答 |
|
部署方式 |
Docker + 服务器 |
pip install，本地跑 |
Docker Compose一键部署 |
|
核心技术 |
Text2SQL + RLS权限 |
Text2SQL + 代码级权限 |
Graph RAG + 集合权限 |
|
适合场景 |
企业级正式部署 |
快速验证、小团队 |
知识库问答、文档管理 |
|
权限管控 |
数据库层RLS |
Python代码级过滤 |
集合权限（内置） |
为什么说今天的内容和前两篇不一样？
前两篇的核心是：把数据库里的结构化数据变成自然语言回答。
但企业里80%的知识是非结构化的——产品手册、SOP、合同、客服话术、会议纪要……这些存在文档里，数据库查不到。
传统RAG的痛点（前两篇没讲，但今天要解决）：
问：“A产品的供应商是谁？之前出过什么质量事故？怎么处理的？“
传统RAG：只能找到“A产品的供应商是XX公司“，但找不到“质量事故“和“处理方案“——因为不知道文档之间的关联关系。
今天的内容结构
• FastGPT快速部署（Docker Compose一键，10分钟）
• 构建知识图谱（让AI理解文档之间的关联）
• 集合权限管控（谁能问哪些文档——延续前两篇的权限主题）
• Graph RAG vs 传统RAG效果对比
• 和前两篇方案的组合建议
第一部分：FastGPT快速部署（10分钟）
为什么选FastGPT，而不是自己搭LangChain？
|
对比维度 |
自己搭LangChain |
FastGPT |
|
部署时间 |
1~3天 |
10分钟 |
|
界面 |
需要自己写 |
开箱即用 |
|
权限管控 |
需要自己实现 |
内置集合权限 |
|
Graph RAG |
需要自己实现 |
内置（V4.14+） |
|
维护成本 |
高 |
低（Docker一键更新） |
结论：今天的目标是“落地“，不是“研究RAG原理“。FastGPT是2026年最成熟的开源知识库平台。
前置条件
• 一台电脑/服务器（最低配置：2核4GB，推荐4核8GB）
• 已安装Docker Desktop（Windows/Mac）或Docker Compose（Linux）
• 约10分钟时间
|
💡 可以用个人电脑测试，确认效果后再迁移到服务器。 |
Step 1：获取配置文件（2分钟）
FastGPT提供一键部署脚本，自动生成docker-compose.yml和config.json。
在终端执行：
|
bash <(curl -fsSL https://doc.fastgpt.cn/deploy/install.sh) |
脚本会问你几个问题：1. 部署环境（本地测试/生产环境）；2. 向量数据库（选PgVector，轻量）；3. IP地址（本地填localhost）。
Step 2：修改环境变量（可选，3分钟）
打开docker-compose.yml，找到fastgpt服务的环境变量：
|
fastgpt: environment: – DEFAULT_ROOT_PSW=你的密码# 默认是1234，建议改掉 – OPENAI_BASE_URL=https://api.deepseek.com/v1 – CHAT_API_KEY=你的DeepSeek API Key |
|
⚠️ 安全提醒：生产环境一定要改默认密码！或者用强密码。 |
Step 3：启动FastGPT（5分钟）
在docker-compose.yml所在目录执行：
|
docker compose up -d |
等待约3~5分钟，看到以下容器都显示Up说明启动成功：
|
docker ps # 应该看到这些容器： # fastgpt(主服务，端口3000) # mongo(数据库) # pg(向量数据库) # ai-proxy(模型聚合服务) |
Step 4：访问并初始化（现在就能用）
打开浏览器，访问： http://localhost:3000
默认登录信息：用户名 root，密码 1234（或你改的密码）。
第二部分：构建知识图谱（Graph RAG核心）
传统RAG vs Graph RAG
|
对比 |
传统RAG |
Graph RAG |
|
检索方式 |
语义相似度 |
语义相似度 + 知识图谱关联 |
|
跨文档问答 |
效果差 |
效果好 |
|
多跳推理 |
不支持 |
支持（A→B→C） |
举例说明：
问题：“A产品的供应商是谁？之前出过什么质量事故？怎么处理的？“
传统RAG：只能找到“A产品的供应商是XX公司“——另外两份文档找不到。
Graph RAG：构建知识图谱后，AI知道：产品A → 供应商XX公司 → 质量事故记录 → 处理方案。三份文档关联起来，一次性回答完整。
Step 1：准备测试文档（现在就能做）
在FastGPT主界面，点击“知识库” → “新建“，上传这些文档（如果没有，可以用虚拟数据）：
• 产品手册.pdf（包含：产品A/B/C的规格、供应商、价格）
• 质量事故报告.pdf（包含：产品A在2025年Q3的供应商XX来料不合格记录）
• 处理方案.pdf（包含：针对供应商XX的不合格品处理流程和改进措施）
💡 测试目标：问“产品A的供应商是谁？出过什么质量问题？怎么处理的？“——看AI能不能跨3份文档完整回答。
Step 2：开启Graph RAG（核心步骤）
FastGPT V4.14+ 内置Graph RAG，但默认关闭，需要手动开启。
修改config.json，添加Graph RAG配置：
|
{ “systemEnv”: { “enableGraphRAG”: true, “graphRAGModel”: “deepseek-chat”, “graphRAGTopK”: 5 } } |
修改后重启FastGPT：
|
docker compose down && docker compose up -d |
进入知识库设置页面，打开“Graph RAG”开关，保存设置。
Step 3：让FastGPT自动构建知识图谱（无需手动操作）
关键点：FastGPT会自动从文档中提取实体和关系，不需要你手动构建图谱。
上传文档后，FastGPT会：1. 提取实体（产品A、供应商XX、质量事故、处理方案）；2. 提取关系（产品A → 供应商XX，供应商XX → 质量事故）；3. 存储到图数据库。
查看图谱构建进度：进入知识库 → “图谱管理“（V4.14+新增功能），可以看到已识别的实体和关系。
Step 4：测试Graph RAG效果（核心验证）
在FastGPT的“应用“模块，创建一个“简易应用“，关联刚才的知识库。
测试问题：
|
问题1（单跳）：产品A的供应商是谁？ → 传统RAG和Graph RAG都能回答 问题2（多跳）：产品A的供应商出过什么质量事故？ → 传统RAG可能找不到，Graph RAG可以 问题3（复杂多跳）：产品A的供应商的质量事故是怎么处理的？ → 传统RAG基本回答不了，Graph RAG可以 |
||
|
问题 |
传统RAG |
Graph RAG |
|
问题1（单跳） |
✅ 准确 |
✅ 准确 |
|
问题2（多跳） |
❌ 找不到 |
✅ 准确 |
|
问题3（复杂多跳） |
❌ 回答不完整 |
✅ 完整回答 |
第三部分：集合权限管控（延续前两篇的核心主题）
为什么权限管控重要？
场景1：客服只能问产品手册，不能问合同条款
• 客服问：“产品A的保修条款是什么？“——可以
• 客服问：“公司和供应商XX的采购合同金额是多少？“——不应该能查到
场景2：HR只能问SOP，不能问工资条
• HR问：“入职流程是什么？“——可以
• HR问：“张三的工资是多少？“——不应该能查到
场景3：销售只能问自己客户的历史记录
• 销售问：“客户A的购买历史？“——可以（如果是他的客户）
• 销售问：“客户B的购买历史？“——如果不归他管，不应该能查到
FastGPT的集合权限（内置，开箱即用）
前两篇讲了：第一篇：数据库层RLS（需要配置PostgreSQL/SQL Server）；第二篇：Python代码级权限过滤（需要写代码）。
今天第三篇：FastGPT内置“集合权限“，界面配置，不需要写代码。
实操：配置集合权限（5分钟）
Step 1：创建“集合“（对应不同的权限组）
进入“权限管理” → “集合管理“，创建以下几个集合：
|
集合名称 |
包含的文档 |
允许访问的角色 |
|
产品知识库 |
产品手册、规格书 |
所有人（客服/销售/HR） |
|
质量记录库 |
质量事故报告、检验报告 |
质量部、管理层 |
|
合同管理库 |
采购合同、供应商协议 |
采购部、管理层 |
|
人事制度库 |
SOP、入职流程、考勤制度 |
HR、管理层 |
|
薪酬管理库 |
工资条、奖金方案 |
仅限HR总监和管理层 |
Step 2：给用户/部门分配集合权限
进入“权限管理” → “用户管理“，编辑用户/部门，分配可访问的集合。
示例配置：
|
用户/部门 |
可访问的集合 |
|
客服团队 |
产品知识库 |
|
质量部 |
产品知识库、质量记录库 |
|
采购部 |
产品知识库、合同管理库 |
|
HR团队 |
产品知识库、人事制度库、薪酬管理库（仅HR总监） |
|
管理层 |
所有集合 |
Step 3：测试权限是否生效
测试方法：1. 用“客服账号“登录；2.问：“产品A的供应商是谁？” → 应该能回答（产品知识库有权限）；3. 问：“公司和供应商XX的合同金额是多少？” → 应该拒绝回答（合同管理库无权限）。
如果权限配置正确，FastGPT会返回：“抱歉，您没有权限查询相关内容。“
第四部分：和前两篇方案的组合建议
三篇方案的定位：
|
方案 |
解决的核心问题 |
适合的场景 |
|
第一篇：DB-GPT |
AI直连数据库查数据 |
老板/分析师查经营数据 |
|
第二篇：Vanna AI |
轻量级AI直连数据库 |
小团队快速验证 |
|
今天第三篇：FastGPT |
AI读懂文档并问答 |
客服/HR/全员知识库 |
成本对比（三篇方案对比）
|
项目 |
第一篇：DB-GPT |
第二篇：Vanna AI |
今天第三篇：FastGPT |
|
服务器 |
30元/月 |
0元（本地） |
0元/月 |
|
大模型API |
10~50元/月 |
10~50元/月 |
10~50元/月 |
|
总计 |
40~80元/月 |
10~50元/月 |
10~50元/月 |
你能立刻行动的第一步
1. 明天：用Docker Compose部署FastGPT（10分钟），确认能跑起来
2. 明天：上传3份测试文档，开启Graph RAG，测试多跳问答效果
3. 本周：配置集合权限，创建2~3个测试账号，验证权限隔离
4. 本周：如果效果OK，导入公司真实文档，邀请客服/HR试用