傳統(tǒng) RAG(向量檢索)在文檔問答場景表現(xiàn)優(yōu)秀,但在多實體、多關(guān)系、復(fù)雜查詢場景(如"客戶 A 的供應(yīng)商 B 在 2025 年的所有合同")時表現(xiàn)不佳。引入知識圖譜可顯著改善。

什么是知識圖譜

知識圖譜是一種結(jié)構(gòu)化表示實體關(guān)系的技術(shù)。例如:

客戶A -采購→ 產(chǎn)品X
客戶A -簽約→ 供應(yīng)商B
供應(yīng)商B -供應(yīng)→ 產(chǎn)品X
客戶B -簽約→ 供應(yīng)商B
...

RAG + 知識圖譜的混合架構(gòu)

  1. 向量檢索:處理模糊、語義類問題(如"哪份合同提到延遲交付")
  2. 圖譜查詢:處理結(jié)構(gòu)化問題(如"客戶 A 的所有供應(yīng)商")
  3. LLM 整合:根據(jù)問題類型,自動選擇檢索方式,并融合生成回答

適用場景

成本與門檻

知識圖譜構(gòu)建需要領(lǐng)域?qū)<覅⑴c,初期投入比純 RAG 高 30-50%,但對復(fù)雜業(yè)務(wù)回報顯著。天龍發(fā)的工具鏈已支持一鍵構(gòu)建中小規(guī)模企業(yè)知識圖譜。