前言

传统RAG系统通过检索——生成两阶段法有效缓解了大模型知识陈旧和幻觉问题，但是在处理复杂问题仍存在局限。依赖非结构化的文本向量的检索方式，很难捕捉到实体之间的深层关系，导致上下文不精确、信息碎片化，甚至有发模型幻觉。

为了突破这些瓶颈，将结构化知识图谱融入RAG的新方法也就是GraphRAG诞生了。通过利用知识图谱的显式语义关系和图结构优势，GraphRAG能够提供更精确的上下文和更强的推理能力。在多跳和事实性要求较高的场景表现尤为出色。

一、知识图谱是什么

简单说知识图谱就是一个图结构，使用节点、和边来表示实体之间的关系，通过关系将实体连接在一起。比如可以使用知识图谱来画出《三国演义》人物关系图。

比如通过以下节点就可以表示刘备的儿子是刘禅这个关系。

节点：刘备

边：儿子

节点：刘禅

二、从传统RAG到知识图谱RAG的演进

传统RAG的局限：

1）关系理解的缺失：基于向量的检索主要关注语义相似性，难以捕捉实体之间复杂、隐含的关系。

2）上下文的碎片化，文本被切分成独立的块进行索引，破坏了原文的结构和上下连续性。

3）检索噪音和幻觉风险，检索过程可能返回不相关和部分相关的噪音信息，这会干扰大模型的判断，甚至诱发幻觉问题

4）推理能力有限，推理能力受限于检索到的信息，难以支持需要结构化知识进行导航的多跳推理

5）跨文档联接能力弱，依赖向量检索很难稳定的区分同名实体

6）实体歧义和别名问题

7）时效性和版本一致性不足，文本块往往缺少可计算的时间属性和有效期边界，导致时序敏感问题难以得到一致答案。

知识图谱赋能RAG的核心优势

1）结构化语义表达

2）增强推理能力

3）事实性与可解释性，基于知识图谱的检索，可以追溯其在知识图谱中的路径，为答案提供了事实依据，增强了系统的可解释性和可信度，有效抑制了幻觉。

4）异构数据集成

GraphRAG将检索方式从检索文本分块向量到检索知识图谱中的实体关系，这从根本上提升了RAG的能力。

三、GraphRAG的核心架构和工作流程

通用架构三阶段：

1、知识图谱构建

1）知识抽取，主要是通过大模型等工具抽取实体、关系、属性信息

2）质量控制，对三元组进行置信度评估，人工抽检

3）图谱融合，进行实体对齐去重、合并等

4）存储与索引，将数据存储到图数据库（如neo4j），建立必要的属性关系索引

2、图谱检索

3、增强生成

方法论分类：

1、知识驱动型

检索过程主要或全部依赖知识图谱，用于强逻辑性或可解释性的任务

2、索引驱动型

将知识图谱结构信息融入到文本索引，从而提高检索效果

3、混合型

同时使用图检索与文本检索，再对结果进行重排和融合

四、相关GraphRAG框架介绍

1、GraphRAG（Microsoft）

这个应该是第一个提出使用知识图谱构建RAG的框架

2、LightRAG

针对GraphGRA比较重的情况，进行了优化

五、生产环境部署实践与挑战

1、知识图谱的构建与动态维护

知识图谱的构建本身就很难，需要消耗大量的token，而对知识图谱的更新也是个难点

2、系统性能和可扩展性

3、成本控制，大规模部署需要GraphRAG需要大量的计算与存储资源，如何优化效率降低成本也是一个重要的考量

4、安全与隐私保护

六、GraphRAG系统构建指南

本节主要实现基于GraphRAG的菜谱问答系统，同时使用文本向量检索+图检索的方式。向量库使用milvus，图数据库使用Neo4j。

1、知识图谱数据初始化

1）设计菜谱相关数据结构，定义菜谱、食材、制作步骤、分类、难度等实体对象

2）基于大模型，对原始菜谱数据进行处理为结构化数据，实体数据、关系数据

3）将数据导入到图数据库

2、文本向量库数据初始化

1）基于知识图谱的菜谱数据，查询出相关的食材、制作步骤、分类、难度等数据

2）将结果转换为文本，不超过分块长度的情况作为一个分块，并且存储对应的知识图谱id进行关联

3）将分块数据存入milvus向量库

3、智能查询路由 根据用户问题复杂度将问题分类为简单查询、中等复杂查询、复杂推理查询，分别进行路由。对于简单查询使用传统混合检索，对于中等复杂查询，使用GraphRAG检索，对于复杂推理查询使用文本向量检索+GraphRAG检索的组合检索查询。

七、总结

本文主要介绍了GraphRAG的工作原理与基础构建过程，基于知识图谱的RAG可以很好的解决传统RAG无法检索到复杂实体关系的问题。

对于知识图谱的构建首先需要梳理清楚数据对象结构，其次对于知识图谱的构建需要消耗大量的大模型token资源，如何实时高效的维护更新知识图谱也是一个需要考虑的问题。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】