一文搞懂RAG与GraphRAG：大模型工作流的核心增强技术

RAG与GraphRAG技术详解及AI大模型学习指南

最新推荐文章于 2025-11-24 18:29:32 发布

原创最新推荐文章于 2025-11-24 18:29:32 发布 · 821 阅读

25 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #产品经理 #转行 #程序员 #ai #学习 #大模型

RAG（Retrieval - Augmented Generation，检索增强生成）技术最早可追溯至2020年被正式提出。如今，伴随大模型技术的飞速迭代与应用场景的持续拓展，RAG技术已经深度融入大模型工作流，成为一种被广泛认可且极具影响力的范式。

大厂们也推出了一系列大模型应用融入了知识库，如IMA、飞书这些产品。

腾讯的 ima 个人知识库

字节的飞书知识问答

那么，这些产品都采用的 RAG 技术，背后的原理是什么？假如牛马被老板要求要完成建立公司内部知识库系统（当然最好没有,手动狗头），该如何完成呢？

在这篇文章中，我们会详细介绍RAG的技术原理，并介绍最近流行的结合知识图谱的 RAG 构建。

RAG整体框架

在这里插入图片描述

RAG 本质上是一个集成了两个关键组件的混合模型。

从各种文件构建知识向量库。
理解用户需求，在知识向量库里进行检索，最终生成准确而且上下文丰富的响应。

下面我们分两模块介绍。

RAG知识库构建

构建RAG知识库工作流如图所示：

为构建让大模型可以检索的知识库，首先把各种类型的文件转化为texts格式。

这里 texts 不一定是 txt 格式，也可以是 md 格式、json 格式，主要是为了方便后续进行分块为Chunks

分块后的 Chunks 进一步嵌入文本块转换为携带语义信息的数值向量。最终将嵌入储存保存在向量数据库中，以便在用户查询中快速检索。

RAG检索回答

在这里插入图片描述
这一模块是为了让大模型理解用户提问，最终生成可信的带有上下文的回复。

输入为用户的提问，类似的，大模型把该提问文本转化为嵌入向量，再到上一步构建的知识向量库里进行检索。

最终找到几段匹配度（如余弦相似度）高的回答，再利用Rerank模型，匹配度高的答案优先选择，结合指导大模型回答的提示词（prompt，可以为指导大模型回复的语气），最终，大模型回答给用户基于知识库检索的答案。

知识图谱+RAG（图检索增强生成）

传统 RAG 无法理解复杂实体关系，因此，假如用户查询涉及多个文档和复杂实体，传统 RAG 通常回答单个独立实体，而不是整体响应，无法满足用户需要。

知识图谱是通过节点（实体）和边（关系）构建的图结构，能够表达复杂的知识和实体间的关系。该结构可以让模型更好地捕获不同实体之间的关系，并且，基于图结构进行检索，可以显著地提高检索效率，减少响应时间。

接下来我们简单介绍一下知识图谱相关概念，最后介绍一下如何将知识图谱、RAG 与大模型结合。

知识图谱相关概念

知识图谱使用图论来存储、映射和查询数据关系。它由节点、边（或关系）和属性组成，其中：

节点（Nodes）代表实体，如人、企业或任何数据项。
边（Edges）或关系（relationships) ：连接节点，并说明实体之间的关联。
属性（Properties）：提供有关节点和关系的额外信息。

以 “电影产业” 领域为例，构建一个简单的知识图谱示例：

- 节点（实体）：
  - 节点 1：《流浪地球》（实体类型：电影）
  - 节点 2：郭帆（实体类型：导演）
  - 节点 3：吴京（实体类型：演员）
  - 节点 4：科幻片（实体类型：电影类型）
- 边（关系）：
  - 节点 2 → 节点 1：边标签为 “执导”（表示郭帆执导了《流浪地球》）
  - 节点 3 → 节点 1：边标签为 “主演”（表示吴京主演了《流浪地球》）
  - 节点 1 → 节点 4：边标签为 “属于”（表示《流浪地球》属于科幻片类型）
- 属性：
  - 节点 1 的属性：上映时间 = 2019 年，票房 = 46.86 亿元（提供电影的额外信息）
  - 边 “执导” 的属性：合作次数 = 2（表示郭帆与《流浪地球》制作团队的合作次数）

最后构建知识图谱如下：

在这里插入图片描述