今天来聊一聊GraphRAG（知识图谱的一种）。

在了解之前，我们先弄清楚两个问题。

● RAG 和 GraphRAG 有什么区别？

● 为什么要用 GraphRAG？

传统 RAG

传统 RAG（Retrieval-Augmented Generation）简单理解就是是对 LLM 的知识补充和增强。

LLM 再强也有它不知道的内容，所以 RAG 就是预先根据用户的问题从 向量库中检索到相关的内容再给到 LLM 作为 Prompt 总结答案。

流程如下：

query → 向量检索 → 召回 top-k 个 chunk → 拼 prompt → LLM 回答

传统 RAG 有一个明显的问题，任何问题它基本都能回答，但是答案不一定正确，也不一定标准！！！

RAG 依赖的向量库中的内容大多是基于文档 doc 分片 chunk 后，再通过 LLM 向量化到向量库中。

文档 doc 有一定的局限性，上下文本应该关联的内容向量后可能会分开存储在不同的 chunk 中，这就导致在进行 RAG 召回时，召回精确率低，还可能会召回大量不相关的内容。

总结两点：

1、top-k 是一个人为的硬参数阈值

● k 太小：漏召回（Recall 低）

● k 太大：噪音多、成本高，LLM 容易被无关信息带跑偏

2、语义相似 ≠ 真正相关

向量检索是找到跟用户 query 语义最相似的文档 chunk。

举个例子：一个文档 chunk 中可能存在 100-1000 个字，但是跟用户 query 语义相似的内容可能只有 10 个字。 其他内容都是无关信息，就会造成干扰。

另外，用户问题大多时候存在 多跳、 间接关联 的场景：

举个例子：

• A -> B -> C（A 影响 B、B 影响 C，A 间接影响 C）
• A 包含 D、E（D、E 是间接影响 C 的动作或内容）

用户问题如何提高 C，传统 RAG 通过语义向量检索只能检索到 C 内容，无法检索到 A 和 B，以及 D、E。 因为 chunk 之间缺少关联关系。

GraphRAG

GraphRAG（Graph Retrieval-Augmented Generation，图检索增强生成）是一种把“知识图谱”与“传统 RAG”结合起来的技术。

核心思路是：不再像传统 RAG 那样只拿 语义相似的 chunk 当参考资料，而是先把外部知识整理成一张“实体-关系图”，再按图结构去精准检索相关子图或路径，最后把图信息转成自然语言上下文喂给 LLM，让它生成答案。

简单理解：GraphRAG 就是点到点的一个知识关系结构。

如何建立图谱？

主要分为三步：

文档 → 提取 chunk → LLM 抽实体/关系 → 知识图谱

● 对每个文档 chunk 让 LLM 抽实体（指标、组织…）和关系（包含、衍生……）

● 合并成一个全局知识图谱：实体 = 节点，关系 = 边

● 每个实体/边都保存 自身来自哪些 chunk 的内容

如何进行图检索？

对用户问题进行分词解析，提取出其中的关键 实体 和 关系，对应到知识图谱中的节点，在图谱中沿着边进行 多跳遍历，尽可能搜集所有相关的节点和边，形成一个与用户 query 紧密相关的 子图这个时候就相当于有了图导航。

根据子图节点找到对应的 文档 chunk，剔除噪音并剔重，拼接成 Prompt 给到 LLM 总结生成答案。

总结：

● GraphRAG 图谱不会作为最终数据来源

● 每个实体/关系都要映射到具体的文档 chunk

● GraphRAG 是 RAG 的增强不是替代

GraphRAG 的代价 & 适用场景

GraphRAG 相对 RAG 在某些场景是具备一定的优势，但也有一定的缺点。

● 成本高，废 token，需要离线抽取实体，增加大量 token 消耗

● 更新复杂，如果文档变动，可能需要重构图结构（重新提取实体/关系）

试用场景：

● 传统 RAG 适合频繁更新的知识库（比如：公告、等）

● GraphRAG 更适合类似以说明书、公开技术文档等长周期低变动的内容

简单总结下：

RAG 和 GraphRAG 各有优势，关键不是“谁替代谁”， 而是让 GraphRAG 当“导航”，RAG 当“真相”。

如何学习AI大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

学习路线

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓