怎樣讓網站排名優(yōu)化工,廣州市外貿網站建設服務機構,東莞易贏,為什么要用php做網站最近在用傳統(tǒng)RAG系統(tǒng)做知識庫問答的時候#xff0c;突然遇到了一個尷尬的問題。 我問系統(tǒng)#xff1a;“根據我們的研究數據#xff0c;全球氣溫變暖的主要原因是什么#xff1f;” 系統(tǒng)給出的答案支離破碎#xff0c;雖然提到了幾個因素#xff0c;但完全沒有把整個因果鏈…最近在用傳統(tǒng)RAG系統(tǒng)做知識庫問答的時候突然遇到了一個尷尬的問題。我問系統(tǒng)“根據我們的研究數據全球氣溫變暖的主要原因是什么”系統(tǒng)給出的答案支離破碎雖然提到了幾個因素但完全沒有把整個因果鏈條串起來。我意識到問題不在大模型本身而在于它能獲取到的信息都是散落的碎片。后來才明白這正是傳統(tǒng)RAG的痛點——它只能在文本塊之間檢索卻看不到整個知識圖譜的全貌。一、傳統(tǒng)RAG的天花板如果你用過RAG系統(tǒng)可能也遇過類似的問題跨文檔的信息無法連貫檢索文檔越多回答質量反而下降融合多個數據源的知識特別困難想象一下用傳統(tǒng)搜索方式在食譜書里找炒雞蛋和西紅柿雞蛋面的做法速度快得很。但如果你想知道為什么西紅柿和雞蛋搭配得這么完美關鍵詞搜索就顯得無力了。這正是傳統(tǒng)語義檢索方式的局限——它很擅長精確匹配但不擅長理解隱藏在信息后面的深層邏輯。二、GraphRAG出現了微軟推出了一套新方案來解決這個問題GraphRAG圖檢索增強生成。核心思路很簡單——與其把知識存成散亂的文本塊不如把它組織成一張知識圖譜其中實體是節(jié)點實體之間的關系是邊。這樣做有什么好處呢當大模型需要回答一個復雜問題時它不再是盲目地找相似的文本段落而是能夠看到實體之間的關系理解信息之間的邏輯連接跨多個社區(qū)綜合回答簡單說GraphRAG讓大模型從查字典升級到了讀書。三、它是怎么工作的GraphRAG的工作流程分為兩個階段索引階段和查詢階段。1、索引階段構建知識的骨架首先系統(tǒng)會把源文檔分成可管理的文本單元。然后大模型出手了它會自動識別實體和關系——從文本中提取出人、地點、公司等實體以及它們之間的聯系構建知識圖——用節(jié)點代表實體用邊代表關系檢測社區(qū)——使用Leiden算法找出緊密相關的實體集群生成摘要——為不同級別的社區(qū)生成分層摘要這個過程中有兩個關鍵步驟特別值得關注圖抽取的目標是從原始數據中識別有意義的信息把它們組織成圖的形式。圖摘要則是把復雜的圖結構簡化去掉冗余信息突出關鍵內容。就像整理一個雜亂的書架既要保留重要的書又要刪除過期的雜志。2、查詢階段精準找到答案當用戶提問時系統(tǒng)會判斷問題的復雜程度選擇合適的社區(qū)級別在選定的社區(qū)中檢索相關信息從多個相關社區(qū)綜合生成答案最后整合成一個完整的回復這比傳統(tǒng)RAG的做法要聰明得多。傳統(tǒng)方式是匹配用戶查詢和文本塊的相似度而GraphRAG是在理解的基礎上進行推理。四、怎樣實現它理論講到這兒你可能想知道——這東西怎么落地市面上有現成的工具可用。微軟有官方的GraphRAG實現但也有更靈活的方案。比如用Neo4j LangChain的組合就特別受歡迎。Neo4j是一個圖數據庫專門用來存儲和查詢圖結構的數據。LangChain是一個大模型框架能把各種工具串聯起來。把它們組合使用就能搭建一個強大的GraphRAG系統(tǒng)。五、代碼實戰(zhàn)一步步搭建你的GraphRAG我把整個實現過程整理成了可運行的代碼。假設我們要構建一個關于科技公司的知識圖。第一步準備環(huán)境和數據# 安裝必要的庫 # pip install langchain neo4j langchain-openai langchain-experimental from langchain_core.documents import Document # 準備你的數據可以是公司信息文檔 content 小米科技有限責任公司是一家專注于研發(fā)和推出創(chuàng)新技術的公司。 小米推出了智能家居產品和5G技術。 華為技術有限公司與清華大學建立了深度合作。 華為參與了5G標準的制定。 小米與美團合作開發(fā)物流解決方案。 # 轉化為Document對象 documents [Document(page_contentcontent)] print(f加載了{len(documents)}份文檔)第二步連接Neo4j并創(chuàng)建知識圖from langchain_community.graphs import Neo4jGraph from langchain_experimental.graph_transformers import LLMGraphTransformer from langchain_openai import ChatOpenAI # 連接到Neo4j數據庫使用免費的Neo4j Aura graph Neo4jGraph( urlneo4js://your-db-uri, # 替換為你的Neo4j URI usernameneo4j, passwordyour-password, # 替換為你的密碼 databaseneo4j ) # 初始化LLM graph_llm ChatOpenAI(temperature0, model_namegpt-4o-mini) # 創(chuàng)建圖轉換器定義你要提取的實體和關系類型 graph_transformer LLMGraphTransformer( llmgraph_llm, allowed_nodes[公司, 產品, 技術, 教育機構, 合作伙伴], allowed_relationships[推出, 參與, 合作, 位于, 開發(fā)], ) # 執(zhí)行轉換從文檔中提取實體和關系 graph_documents graph_transformer.convert_to_graph_documents(documents) # 將圖數據導入Neo4j graph.add_graph_documents(graph_documents) print(f成功導入{len(graph_documents)}個圖文檔) print(f提取的實體: {[node.id for node in graph_documents[0].nodes]}) print(f提取的關系: {[(rel.source.id, rel.type, rel.target.id) for rel in graph_documents[0].relationships]})第三步用GraphRAG查詢知識圖from langchain.chains import GraphCypherQAChain llm ChatOpenAI(modelgpt-4o-mini, temperature0) # 創(chuàng)建Cypher查詢鏈 cypher_chain GraphCypherQAChain.from_llm( graphgraph, cypher_llmllm, qa_llmllm, validate_cypherTrue, verboseTrue, # 設置為True可以看到生成的Cypher查詢過程 allow_dangerous_requestsTrue ) # 測試幾個問題 queries [ 小米科技有限責任公司推出了哪些創(chuàng)新技術, 華為技術有限公司與哪些教育機構建立了合作, 都有哪些公司在我的數據庫中 ] for query in queries: print(f 問題: {query}) response cypher_chain.invoke(query) print(f答案: {response[result]}) print(- * 50)六、更進一步混合知識庫系統(tǒng)如果你想同時使用GraphRAG和傳統(tǒng)RAG我也準備了代碼。這樣可以兼得兩種方法的優(yōu)勢。第四步建立向量數據庫傳統(tǒng)RAGfrom langchain_text_splitters import RecursiveCharacterTextSplitter from langchain_openai import OpenAIEmbeddings from langchain_milvus import Milvus # 分割文本 text_splitter RecursiveCharacterTextSplitter( chunk_size250, chunk_overlap30 ) splits text_splitter.split_documents(documents) # 創(chuàng)建向量嵌入 embeddings OpenAIEmbeddings(modeltext-embedding-3-large) # 連接到Milvus向量數據庫使用免費的Zilliz云服務 vectorstore Milvus.from_documents( documentssplits, collection_namecompany_rag_milvus, embeddingembeddings, connection_args{ uri: https://your-milvus-uri, # 替換為你的Milvus URI user: your-username, password: your-password, } ) print(f向量數據庫已創(chuàng)建包含{len(splits)}個文本塊)第五步構建傳統(tǒng)RAG代理from langchain.prompts import PromptTemplate from langchain_core.output_parsers import StrOutputParser # 定義RAG提示詞 prompt PromptTemplate( template你是一個問答助手。 使用以下檢索到的上下文來回答問題。如果你不知道答案就說你不知道。 最多使用三句話保持簡潔 問題: {question} 上下文: {context} 答案:, input_variables[question, context], ) # 構建RAG鏈 rag_chain prompt | graph_llm | StrOutputParser() # 執(zhí)行查詢 question 我的知識庫中都有哪些公司信息 retriever vectorstore.as_retriever(search_kwargs{k: 2}) # 檢索相關文檔 docs retriever.invoke(question) # 生成回答 generation rag_chain.invoke({ context: .join([doc.page_content for doc in docs]), question: question }) print(fRAG系統(tǒng)的回答: {generation})第六步多代理系統(tǒng)——讓兩種方法協同工作from langgraph.graph import StateGraph, MessagesState, START, END from langchain_core.messages import HumanMessage from typing import Literal from typing_extensions import TypedDict class AgentState(MessagesState): next: str class Router(TypedDict): 路由到不同的子代理 next: Literal[graph_kg, vec_kg, FINISH] # 圖數據庫代理 def graph_kg_agent(state: AgentState): messages state[messages][-1] response cypher_chain.invoke(messages.content) return { messages: [HumanMessage(contentresponse[result], namegraph_kg)] } # 向量數據庫代理 def vec_kg_agent(state: AgentState): messages state[messages][-1] retriever vectorstore.as_retriever(search_kwargs{k: 2}) docs retriever.invoke(messages.content) generation rag_chain.invoke({ context: .join([doc.page_content for doc in docs]), question: messages.content }) return { messages: [HumanMessage(contentgeneration, namevec_kg)] } # 主管代理判斷用何種方式回答 def supervisor(state: AgentState): system_prompt 你是一個任務主管管理兩個工作者 - graph_kg: 基于知識圖擅長回答全局、綜合性問題 - vec_kg: 基于向量檢索擅長回答細節(jié)問題 根據用戶問題判斷應該使用哪個工作者。 messages [{role: system, content: system_prompt}] state[messages] response graph_llm.with_structured_output(Router).invoke(messages) next_worker response[next] if next_worker FINISH: next_worker END return {next: next_worker} # 構建圖 builder StateGraph(AgentState) builder.add_node(supervisor, supervisor) builder.add_node(graph_kg, graph_kg_agent) builder.add_node(vec_kg, vec_kg_agent) # 設置工作流 builder.add_edge(START, supervisor) for worker in [graph_kg, vec_kg]: builder.add_edge(worker, supervisor) builder.add_conditional_edges(supervisor, lambda state: state[next]) # 編譯并運行 multi_agent_graph builder.compile() # 測試多代理系統(tǒng) test_queries [ 都有哪些公司在我的數據庫中, # 應該用graph_kg 小米推出了什么技術 # 應該用graph_kg ] for query in test_queries: print(f 用戶問題: {query}) for output in multi_agent_graph.stream( {messages: query}, stream_modevalues ): last_message output[messages][-1] print(f{last_message.name}: {last_message.content}) print(- * 50)七、快速上手的步驟第一步準備Neo4j實例。可以用免費的Neo4j Aura云服務注冊即用不需要本地部署。第二步用LLM把文檔轉換成圖。這里可以自定義節(jié)點類型和關系類型比如節(jié)點公司、產品、技術、市場關系推出、合作、開發(fā)、位于系統(tǒng)會自動提取文檔中對應的實體和關系構建知識圖。第三步可視化和驗證。登錄Neo4j平臺就能看到生成的完整知識圖。確保數據準確后就可以用來回答問題了。八、更進一步混合知識庫這是我最近在做的一個有意思的嘗試——同時使用GraphRAG和傳統(tǒng)RAG。想法是這樣的GraphRAG擅長回答宏觀、全面的問題比如這個公司有哪些合作伙伴。而傳統(tǒng)RAG擅長處理細節(jié)問題比如某個產品的具體參數是什么。所以我搭建了一個多代理系統(tǒng)用supervisor來判斷用戶問題的類型然后路由到不同的知識庫graph_kg基于知識圖的代理處理全局性問題vec_kg基于向量的代理處理細節(jié)問題向量數據庫我選擇了云端的Milvus這樣避免了本地部署的麻煩。兩個代理各司其職大模型在它們之間充當主管協調分工。實際測試效果還不錯。問數據庫里有哪些公司時graph_kg會遍歷整個知識圖給出完整列表。問某個公司推出了哪些創(chuàng)新技術時它會基于實體之間的關系進行推理。九、總結從傳統(tǒng)RAG到GraphRAG這不僅是技術的升級更是思維方式的轉變。我們不再只是被動地檢索信息片段而是主動構建知識的結構。大模型也不再只是做語言匹配而是真正在理解和推理。雖然GraphRAG還不是完美的畢竟也依賴于大模型的抽取質量但方向是清楚的——讓AI系統(tǒng)更像人類思考一樣理解信息之間的關系看到知識的全貌。如果你的業(yè)務涉及復雜的知識庫問答值得嘗試一下。而且現在有免費的云服務可以用技術上的壁壘已經不那么高了。把上面的代碼復制下來替換成你自己的API密鑰和數據庫URI就可以跑起來了。想入門 AI 大模型卻找不到清晰方向備考大廠 AI 崗還在四處搜集零散資料別再浪費時間啦2025 年AI 大模型全套學習資料已整理完畢從學習路線到面試真題從工具教程到行業(yè)報告一站式覆蓋你的所有需求現在全部免費分享掃碼免費領取全部內容?一、學習必備100本大模型電子書26 份行業(yè)報告 600 套技術PPT幫你看透 AI 趨勢想了解大模型的行業(yè)動態(tài)、商業(yè)落地案例大模型電子書這份資料幫你站在 “行業(yè)高度” 學 AI1. 100本大模型方向電子書2. 26 份行業(yè)研究報告覆蓋多領域實踐與趨勢報告包含阿里、DeepSeek 等權威機構發(fā)布的核心內容涵蓋職業(yè)趨勢《AI 職業(yè)趨勢報告》《中國 AI 人才糧倉模型解析》商業(yè)落地《生成式 AI 商業(yè)落地白皮書》《AI Agent 應用落地技術白皮書》領域細分《AGI 在金融領域的應用報告》《AI GC 實踐案例集》行業(yè)監(jiān)測《2024 年中國大模型季度監(jiān)測報告》《2025 年中國技術市場發(fā)展趨勢》。3. 600套技術大會 PPT聽行業(yè)大咖講實戰(zhàn)PPT 整理自 2024-2025 年熱門技術大會包含百度、騰訊、字節(jié)等企業(yè)的一線實踐安全方向《端側大模型的安全建設》《大模型驅動安全升級騰訊代碼安全實踐》產品與創(chuàng)新《大模型產品如何創(chuàng)新與創(chuàng)收》《AI 時代的新范式構建 AI 產品》多模態(tài)與 Agent《Step-Video 開源模型視頻生成進展》《Agentic RAG 的現在與未來》工程落地《從原型到生產AgentOps 加速字節(jié) AI 應用落地》《智能代碼助手 CodeFuse 的架構設計》。二、求職必看大廠 AI 崗面試 “彈藥庫”300 真題 107 道面經直接抱走想沖字節(jié)、騰訊、阿里、蔚來等大廠 AI 崗這份面試資料幫你提前 “押題”拒絕臨場慌1. 107 道大廠面經覆蓋 Prompt、RAG、大模型應用工程師等熱門崗位面經整理自 2021-2025 年真實面試場景包含 TPlink、字節(jié)、騰訊、蔚來、蝦皮、中興、科大訊飛、京東等企業(yè)的高頻考題每道題都附帶思路解析2. 102 道 AI 大模型真題直擊大模型核心考點針對大模型專屬考題從概念到實踐全面覆蓋幫你理清底層邏輯3. 97 道 LLMs 真題聚焦大型語言模型高頻問題專門拆解 LLMs 的核心痛點與解決方案比如讓很多人頭疼的 “復讀機問題”三、路線必明 AI 大模型學習路線圖1 張圖理清核心內容剛接觸 AI 大模型不知道該從哪學起這份「AI大模型 學習路線圖」直接幫你劃重點不用再盲目摸索路線圖涵蓋 5 大核心板塊從基礎到進階層層遞進一步步帶你從入門到進階從理論到實戰(zhàn)。L1階段:啟航篇丨極速破界AI新時代L1階段了解大模型的基礎知識以及大模型在各個行業(yè)的應用和分析學習理解大模型的核心原理、關鍵技術以及大模型應用場景。L2階段攻堅篇丨RAG開發(fā)實戰(zhàn)工坊L2階段AI大模型RAG應用開發(fā)工程主要學習RAG檢索增強生成包括Naive RAG、Advanced-RAG以及RAG性能評估還有GraphRAG在內的多個RAG熱門項目的分析。L3階段躍遷篇丨Agent智能體架構設計L3階段大模型Agent應用架構進階實現主要學習LangChain、 LIamaIndex框架也會學習到AutoGPT、 MetaGPT等多Agent系統(tǒng)打造Agent智能體。L4階段精進篇丨模型微調與私有化部署L4階段大模型的微調和私有化部署更加深入的探討Transformer架構學習大模型的微調技術利用DeepSpeed、Lamam Factory等工具快速進行模型微調并通過Ollama、vLLM等推理部署框架實現模型的快速部署。L5階段專題集丨特訓篇 【錄播課】四、資料領取全套內容免費抱走學 AI 不用再找第二份不管你是 0 基礎想入門 AI 大模型還是有基礎想沖刺大廠、了解行業(yè)趨勢這份資料都能滿足你現在只需按照提示操作就能免費領取掃碼免費領取全部內容?2025 年想抓住 AI 大模型的風口別猶豫這份免費資料就是你的 “起跑線”