页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「RAG 知识图谱」找到 75 条内容
按专题浏览 →匹配正文：答案要点 传统RAG的局限性（语义孤立、全局信息缺失） GraphRAG的核心流程（索引阶段构建知识图谱+社区摘要，查询阶段利用图结构检索） 社区发现算法在GraphRAG中的作用 GraphRAG相比传统RAG的三类优势（连接性、全局性、可解释性） 实际落地时的权衡（成本、延迟、图谱质量） 传统RAG的局限 传统RAG将文档切分为独立文本块，通过向量相似度检索。问题在于：语义孤立——文本块间的关系丢失；全局信息缺失——无法回答"总结全书主题"这类跨文档问题。 GraphRA…
匹配正文：答案要点 GraphRAG的核心流程：索引阶段构建知识图谱+社区发现，查询阶段利用图结构进行全局推理 与传统RAG的关键差异在于从"文本块检索"升级为"关系推理" 能回答需要跨文档聚合的抽象问题（如"主题是什么"） 适用场景：大规模文档集、需要全局理解的复杂查询 实现难点：图谱构建质量、社区划分粒度、查询路由策略 GraphRAG 核心原理 索引阶段（离线） 实体关系抽取：用LLM从文档中提取实体、关系、属性，构建知识图谱 社区发现：用图算法（如Leiden算法）将图谱划分为…
匹配正文：答案要点 明确GraphRAG的核心思想：用知识图谱替代纯文本块，实现"实体-关系-实体"的图结构检索 说明构建流程：文本→实体抽取→关系构建→社区检测→摘要生成 对比传统RAG的局限：只能做点状局部检索，无法回答跨文档的全局性问题 举例说明GraphRAG的优势场景：如"总结整个数据集的主题"这类需要聚合推理的问题 GraphRAG 核心思想 传统RAG把文档切成文本块做向量检索，本质是**"找相似片段"；GraphRAG则是先构建知识图谱**，把非结构化文本转化为结构化的…
学习内容与项目面试，在同一条路上。