9月3日，图检索增强生成（GraphRAG）权威评测基准 GraphRAG-Bench 更新最新排行榜：海致科技$海致科技集团(HK|02706)$自主研发的 AtlasGraphRAG，在 Novel（文学/小说）与 Medical（医疗）两大评测赛道同时登顶，双双拿下第一名。这一成绩超越了微软 MS-GraphRAG（local）、HippoRAG2 等国际主流框架，标志着中国企业在 GraphRAG 这一前沿 AI 技术领域跻身全球第一梯队。
这一技术突破，与近期密集释放的产业AI政策利好形成呼应。8月31日，工信部办公厅印发《关于开展人工智能应用服务商培育专项行动的通知》；而不久前北京市发改委等四部门联合发布的《北京市关于加快智能体引领发展的若干措施》，更是将“驾驭层工程”写入政策文本。
政策风向的密集释放，标志着产业AI的关注重心已从“模型能力”转向“能不能规模化交付、能不能持续稳定运行”。当大模型开始深入真实世界的复杂任务与垂直行业，谁来为它装上确定性的“刹车”和“方向盘”？海致科技的此次登顶，正是这一技术路径从理论走向工程化落地的最新注脚。
真实世界的复杂任务：专有知识如何链接大模型？
大模型在真实世界复杂任务、垂直行业真正落地，什么最不可少？答案是：专有知识和数据。
通用大模型就像一个“闭卷考试”的优等生，虽然博学，但知识停留在训练截止的那一刻，且缺乏特定行业的深度认知。在医疗诊断、金融风控、电网调度等严肃场景中，企业必须让大模型掌握内部的专有数据、业务规则和行业Know-how，才能从“通用玩具”变成“生产工具”。
那么，专有知识和数据怎么链接大模型？这就需要 RAG（检索增强生成）技术。通俗来说，RAG 就是给大模型配上了“开卷考试”的能力——在回答问题前，先去企业的外部知识库中检索相关资料，再结合这些真实素材生成答案。这种“先检索、后生成”的机制，旨在让 AI 的回答有据可依。
然而，为什么在真实世界的复杂任务中，传统的 RAG 往往不够用，必须升级到 GraphRAG？
传统 RAG 擅长“找相似文本”，但在面对跨文档关联、多跳逻辑推理以及全局性总结时，往往会因为文本分块导致上下文割裂，难以给出精准答案。而 GraphRAG 通过构建知识图谱，将碎片化的专有信息织成一张严密的“关系网”，能够像人类专家一样进行多跳推理和全局洞察。
数据验证了 GraphRAG 的价值。据 GraphRAG 官方知识库技术评测资料：在需要连接多个事实的复杂查询中，GraphRAG 的召回率可稳定在 94% 以上，而传统向量 RAG 往往不足 60%；在复杂推理型任务中，其准确率更是提升了约 27.8个百分点。
这一方向同样获得了学术界的系统验证。2024 年 NAACL 综述《Can Knowledge Graphs Reduce Hallucinations in LLMs? A Survey》梳理了用知识图谱抑制大模型幻觉的三类方法，指出结构化外部知识的引入能够显著降低事实性错误 —— 同时提示：效果高度依赖知识本身的组织方式，松散的图谱检索与经过语义治理的结构化知识，差距明显。2025 年 6 月的领域综述《From Symbolic to Neural and Back: Exploring Knowledge Graph-Large Language Model Synergies》将知识图谱与大模型的“神经符号集成”列为该领域未来最重要的研究方向之一，AtlasGraphRAG 此次登顶，恰逢这一技术路线从论文走向工程化的确立期。
这进一步印证了：GraphRAG 作为“认知中间层”，其效果上限并不取决于“建图”本身，而取决于知识被治理到什么程度。 它不改变大模型，而是用知识图谱的确定性推理弥补生成的不确定性，但这同时也为产业 AI 构筑可信知识底座，提出了比单纯“建图”更高的工程要求。
与此同时，产业界对 GraphRAG 落地所需的“工程代价”也达成了共识。 2026 年的一篇企业级知识图谱工程综述《A Five-Layer Reference Architecture for First-Party Enterprise Knowledge Graphs with GraphRAG Integration and Governance Controls》指出：五层架构（数据治理—本体工程—图谱构建—GraphRAG 增强—应用落地）在制造、医疗等真实产业场景中可带来 70%~80% 的查询耗时下降和近 85% 的幻觉率下降。但硬币的另一面是，本体工程需要大量人工投入，实体消歧准确率在不同行业间只能做到 73%~94%，计算成本比标准 RAG 高出 3~5 倍。
换言之，GraphRAG 的价值虽已被公认，但能否消化其高昂的工程成本，正是区分“PPT方案”与“实战派”的分水岭。海致十余年的图数据库积累与 430 家政企客户的真实场景打磨，正是在这一环节沉淀出了壁垒。
中国产业AI的“政策-市场”双轮驱动，加速了 GraphRAG 的商业闭环。随着北京市发改委、工信部密集出台关于“驾驭层工程”与“智能体引领发展”的政策，产业界对“确定性AI”的需求进一步放大。海致科技凭借“先建数据与知识底座，再向上延伸智能体应用”的路径，已成功将技术优势转化为商业成果。中报数据显示：2026年上半年，其 Atlas 智能体业务收入同比大增 135.6%，69% 的智能体收入来自已部署图谱的老客户。这种高客户粘性与跨行业复制能力，不仅验证了 GraphRAG 的商业价值，更为其技术迭代提供了源源不断的数据飞轮效应。
确定性，正在成为产业AI的下一个共识。
从北京市“驾驭层工程”的政策表述，到工信部的专项行动通知，再到海致科技 AtlasGraphRAG 在 GraphRAG-Bench 两大赛道同时登顶——这条信息链背后的共识越来越明确：产业AI的下半场，比拼的不再是模型参数，而是谁能为大模型的输出装上确定性的约束层。
海致科技$海致科技集团(HK|02706)$所做的，正是把“行业专有知识”从依附于个人经验的隐性资产，变成可计算、可传承、可验证的显性资产。这也是海致此次第一的底层逻辑，以及 GraphRAG 在产业AI时代的真正价值。
