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。
「GraphRAG 架构」找到 36 条内容
按专题浏览 →匹配正文：核心思想 GraphRAG的本质是用"结构化语义网络"替代"扁平向量空间"。传统RAG把文档切成chunk后直接向量化，丢失了实体间的显式关系；GraphRAG则通过LLM抽取实体-关系-属性，构建知识图谱，并在此基础上发现"社区"(紧密关联的实体簇)，形成实体→关系→社区的三层索引结构。 架构设计（微软开源方案） 阶段 关键操作 输出 索引阶段 文本分块→LLM抽取实体/关系→生成社区摘要 知识图谱 + 社区层级摘要 查询阶段 路由判断(Local/Global)→子图检索…
匹配正文：…Generation）：将检索结果拼入Prompt→LLM生成答案 关键洞察：检索质量决定RAG上限，生成能力决定下限。 二、系统架构 用户Query → Query理解/改写 → 多路检索（向量+关键词+图谱） ↓ 重排序（Rerank）→ 上下文压缩 → 构建Prompt ↓ LLM生成 + 引用溯源 ← 答案后处理 核心组件选型： Embedding：BGE、M3E（中文）、OpenAI text-embedding-3 向量库：Milvus（大规模）、Qdrant（轻…
匹配正文：…Cypher结果形式注入 推理增强：显式利用关系路径进行多跳推理，而非单纯语义相似 四、核心优势与应用价值 场景 传统RAG局限 GraphRAG解决方式 因果推理 分散在多篇文档，难以关联 图谱路径显式建模因果链 多实体关联查询 向量相似度无法捕捉结构关系 子图检索直接获取关联网络 可解释性需求 黑盒相似度 推理路径可追溯、可验证 典型应用：企业知识问答（组织架构穿透）、医疗诊断（症状-疾病-药品关联）、金融风控（股权穿透与关联交易识别）。 学习建议 建议先掌握传统RAG基…
学习内容与项目面试，在同一条路上。