• RAG（Retrieval-Augmented Generation）：从文档中“找证据再回答”，更适合开放域、时效更新快的场景。

• KAG（Knowledge-Augmented Generation）：把结构化知识（知识图谱/数据库）“融进生成过程”，在实体关系与事实一致性上更稳。

RAG与KAG：主要区别

实战建议：多数业务选 RAG 起步；需要强事实一致性/规则推理时上 KAG；混合（GraphRAG/KG-RAG）能同时兼顾覆盖与可信。

RAG：原理、工程要点与开源实战

1. 工作流要点

• 文档管线：清洗 → 分块（保标题层级/表格结构）→ 向量化 → 向量库

• 检索：向量召回（ANN）+ 重排（Cross-Encoder）+ 上下文压缩

• 生成：基于证据回答，标注引用/拒答策略

• 评估：检索命中率、答案一致性、引用可溯源、延迟/成本

1. 最小可跑示例（FAISS + bge-m3 + 任何LLM）
   依赖：pip install sentence-transformers faiss-cpu

示例仅演示“检索到上下文”，生成可对接任意 LLM（OpenAI/Claude/本地模型）。

# pip install sentence-transformers faiss-cpufrom sentence_transformers import SentenceTransformerimport faiss, numpy as np# 1) 准备文档（示例用三段文本）docs = [    "RAG 通过从外部文档检索证据，再让大模型基于证据生成答案。",    "KAG 侧重结构化知识（知识图谱）注入，强调事实一致性与可控性。",    "GraphRAG 将文档抽取成图谱，再结合图谱结构化检索与生成。"]titles = ["什么是RAG", "什么是KAG", "什么是GraphRAG"]# 2) 向量化（bge-m3 多语模型）embedder = SentenceTransformer("BAAI/bge-m3")embs = embedder.encode(docs, normalize_embeddings=True)dim = embs.shape[1]# 3) 建索引（内积检索）index = faiss.IndexFlatIP(dim)index.add(embs)def retrieve(query, k=2):    q = embedder.encode([query], normalize_embeddings=True)    D, I = index.search(q, k)    return [(titles[i], docs[i], float(D[0][j])) for j, i in enumerate(I[0])]# 4) 查询 + 构造提示（把证据拼进提示）query = "RAG 和 KAG 有什么区别？"hits = retrieve(query, k=2)context = "\n\n".join([f"[{t}] {c}" for t, c, _ in hits])prompt = f"仅依据以下上下文作答，并给出要点对比：\n{context}\n\n问题：{query}"print("拼装的上下文：\n", context)print("\n可将上面 prompt 交给任意 LLM 生成答案（OpenAI/Claude/本地模型）。")

要接 LLM 生成（可选）

• LlamaIndex 端到端（最省心）：LlamaIndex 负责分块、存储、检索、重排与调用 LLM。

  • LlamaIndex Quickstart（RAG）：https://docs.llamaindex.ai/en/stable/getting_started/installation/

  • RAG 示例合集：https://docs.llamaindex.ai/en/stable/examples/

• LangChain QA/RAG 用例文档：https://python.langchain.com/docs/use_cases/question_answering/

• Haystack RAG 教程与管线（含重排/评估）：https://haystack.deepset.ai/

1. 开源组件选择（常用）

• 向量库：FAISS（本地）https://github.com/facebookresearch/faiss
  Milvus https://github.com/milvus-io/milvus
  Weaviate https://github.com/weaviate/weaviate
  Chroma https://github.com/chroma-core/chroma

• 嵌入模型：BAAI/bge-m3（多语）https://huggingface.co/BAAI/bge-m3

• 重排模型：BAAI/bge-reranker-large https://huggingface.co/BAAI/bge-reranker-large

• 评估：RAGAS https://github.com/explodinggradients/ragas
  TruLens https://github.com/truera/trulens
  DeepEval https://github.com/confident-ai/deepeval

1. 可复用实战项目/教程

• LangChain Cookbook（多种 RAG 玩法）https://github.com/langchain-ai/langchain/tree/master/cookbook

• Haystack Wikipedia QA 示例：https://haystack.deepset.ai/tutorials

• LlamaIndex “Chat with your docs” 模板：https://docs.llamaindex.ai/en/stable/understanding/querying/

KAG：原理、工程要点与开源实战

1. 工作流要点

• 知识构建：知识图谱/结构化库（实体、关系、属性、来源、时效）

• 实体识别与链接：把文本里的实体映射到图谱节点

• 图检索与推理：路径查询、多跳推理、约束查询（Cypher/SPARQL）

• 知识注入：提示中嵌入三元组/属性卡片、图嵌入、或解码约束

• 生成：基于结构化事实的可控生成（可带来源）

1. 最小可跑示例（Neo4j 小图谱 + Cypher 查询 + 把结果交给 LLM）
   依赖：pip install neo4j

# pip install neo4jfrom neo4j import GraphDatabaseURI = "bolt://localhost:7687"    # 你本地 Neo4j，或远程地址AUTH = ("neo4j", "password")     # 修改为你的用户名/密码driver = GraphDatabase.driver(URI, auth=AUTH)with driver.session() as session:    # 1) 建立一个极小知识图谱：Tesla <-[CEO]- Elon Musk    session.run("""    MERGE (c:Company {name:'Tesla'})    MERGE (p:Person {name:'Elon Musk'})    MERGE (p)-[:HOLDS_ROLE {title:'CEO'}]->(c)    """)    # 2) 以自然语言问题为入口，转成 Cypher（这里直接写死规则）    question = "谁是特斯拉的首席执行官？"    cypher = """    MATCH (p:Person)-[r:HOLDS_ROLE {title:'CEO'}]->(c:Company {name:'Tesla'})    RETURN p.name AS person, r.title AS title, c.name AS company    """    result = session.run(cypher).data()driver.close()# 3) 将结构化结果喂给 LLM（这里仅打印；实际你可把 result 拼进提示再生成）print("结构化答案：", result)# -> [{'person': 'Elon Musk', 'title': 'CEO', 'company': 'Tesla'}]

• 图谱搭建/探索：

  • Neo4j（社区版+桌面管理）https://neo4j.com/

  • Wikidata（真实开放图谱，带 SPARQL）https://www.wikidata.org/

  • SPARQL 在线查询（Wikidata Query Service）https://query.wikidata.org/

• 图谱与 LLM 集成：

  • Neo4j GenAI 生态与示例合集：https://github.com/neo4j-labs/genai-ecosystem

  • LlamaIndex 知识图谱索引与查询：https://docs.llamaindex.ai/en/stable/examples/knowledge_graph/

• 图谱嵌入/推理：

  • PyKEEN（知识图谱嵌入）https://github.com/pykeen/pykeen

  • DGL-KE https://github.com/awslabs/dgl-ke

  • RDFLib（RDF 处理）https://github.com/RDFLib/rdflib

1. 适用场景与实践提醒

• 适合：实体密集、规则明确、需要溯源一致性的任务（合规校验、设备部件关系、医药/专利实体关系、推荐系统特征联动）。

• 工程要点：实体链接质量>一切；定义好本体和命名规范；事实需要来源与时间戳；考虑冲突与版本管理。

混合范式（GraphRAG/KG-RAG）：把“可用”和“可信”都做强

• 思路：先从文档中抽取实体/关系构成轻量知识图谱，再进行图结构检索与生成；同时保留原文片段用于溯源。

• 开源项目

  • Microsoft GraphRAG（从文本构图＋分层检索）：https://github.com/microsoft/graphrag

  • LlamaIndex KG + 文本 RAG 组合：https://docs.llamaindex.ai/en/stable/examples/knowledge_graph/knowledge_graph_rag/

• 何时选

  • 文档繁杂且跨域，需要图结构来理清“谁-与谁-什么关系”；但仍需原文引用与时效更新。

评估与监控：把“看起来会”变成“稳定可用”

• 指标与工具

  • 检索：Top-k 命中率、重排提升、覆盖率（BEIR/自建评测集）

  • 生成：基于证据的正确性（RAGAS/TruLens）、一致性（同问同答）、拒答率

  • 体验与成本：延迟、吞吐、调用费用

• 资源

  • RAGAS（自动化评估指标与流水线）https://github.com/explodinggradients/ragas

  • TruLens（在线观测/反馈回路）https://github.com/truera/trulens

  • DeepEval（可自定义断言/指标）https://github.com/confident-ai/deepeval

  • BEIR（检索评测基准）https://github.com/beir-cellar/beir

  • HotpotQA（多跳问答）https://hotpotqa.github.io/

  • MS MARCO（真实搜索问答）https://microsoft.github.io/msmarco/

快速选型清单

• 你的知识主要是文档、更新频繁 → RAG（向量库 + 重排 + 引用）

• 需要强一致性、图结构推理/约束 → KAG（知识图谱 + 实体链接）

• 两者都要：关键事实入图谱+规则约束，长尾与时效用检索补齐 → GraphRAG/KG-RAG

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？

别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明：AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！